KR102530886B1 - 플라스틱 성분별 분류장치 및 그를 이용한 분류방법 - Google Patents
플라스틱 성분별 분류장치 및 그를 이용한 분류방법 Download PDFInfo
- Publication number
- KR102530886B1 KR102530886B1 KR1020220100274A KR20220100274A KR102530886B1 KR 102530886 B1 KR102530886 B1 KR 102530886B1 KR 1020220100274 A KR1020220100274 A KR 1020220100274A KR 20220100274 A KR20220100274 A KR 20220100274A KR 102530886 B1 KR102530886 B1 KR 102530886B1
- Authority
- KR
- South Korea
- Prior art keywords
- plastic
- infrared
- spectrum
- classification
- classification model
- Prior art date
Links
- 229920003023 plastic Polymers 0.000 title claims abstract description 514
- 239000004033 plastic Substances 0.000 title claims abstract description 512
- 238000000034 method Methods 0.000 title claims abstract description 111
- 238000001228 spectrum Methods 0.000 claims abstract description 290
- 238000005259 measurement Methods 0.000 claims abstract description 170
- 238000013145 classification model Methods 0.000 claims abstract description 127
- 238000007781 pre-processing Methods 0.000 claims abstract description 73
- 238000007635 classification algorithm Methods 0.000 claims abstract description 47
- 238000013527 convolutional neural network Methods 0.000 claims description 29
- 238000012937 correction Methods 0.000 claims description 29
- 238000003384 imaging method Methods 0.000 claims description 29
- 230000003595 spectral effect Effects 0.000 claims description 22
- 238000000701 chemical imaging Methods 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 13
- 238000000513 principal component analysis Methods 0.000 claims 2
- 238000004064 recycling Methods 0.000 abstract description 3
- 239000011347 resin Substances 0.000 description 34
- 229920005989 resin Polymers 0.000 description 34
- 238000005516 engineering process Methods 0.000 description 14
- 239000002994 raw material Substances 0.000 description 13
- 239000000463 material Substances 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 9
- 239000000088 plastic resin Substances 0.000 description 9
- 229920005644 polyethylene terephthalate glycol copolymer Polymers 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 238000004611 spectroscopical analysis Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 4
- 229920001903 high density polyethylene Polymers 0.000 description 4
- 239000004700 high-density polyethylene Substances 0.000 description 4
- 229920001684 low density polyethylene Polymers 0.000 description 4
- 239000004702 low-density polyethylene Substances 0.000 description 4
- 239000005020 polyethylene terephthalate Substances 0.000 description 4
- 229920000139 polyethylene terephthalate Polymers 0.000 description 4
- 238000012847 principal component analysis method Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 125000000391 vinyl group Chemical group [H]C([*])=C([H])[H] 0.000 description 4
- 229920002554 vinyl polymer Polymers 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 238000002835 absorbance Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000004800 polyvinyl chloride Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 239000004743 Polypropylene Substances 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 229920000915 polyvinyl chloride Polymers 0.000 description 1
- 239000010819 recyclable waste Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/361—Processing or control devices therefor, e.g. escort memory
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
본 출원 발명은 기존의 플라스틱류를 선별하는 방법에 있어서, 다양한 종류를 구분하지 못하고 플라스틱류 또는 투명한 플라스틱과 그렇지 않는 플라스틱을 분류하는 정도에 그쳤기 때문에 플라스틱의 재활용률이 매우 낮은 문제를 해결하고자 하는 것이다.
이를 위하여 근적외선초분광스펙트럼측정 장치로 분류하고자하는 플라스틱 종류별로 근적외선초분광스펙트럼을 복수 개 측정하여 측정결과를 데이터베이스화(DB화)하여 저장하는 근적외선초분광스펙트럼측정및DB화단계(SA1); 및 DB화한 근적외선초분광스펙트럼측정 결과를 정규분포교정(SNV, Standard Normal Variate correction) 방법으로 전처리하는 근적외선초분광스펙트럼전처리단계(SA2); 및 플라스틱분류모델생성을 위한 플라스틱분류알고리즘선택단계(SA3); 및 상기 플라스틱분류알고리즘선택단계에서 선택된 알고리즘에 상기 근적외선초분광스펙트럼전처리단계에서 전처리한 데이터 중 플라스틱분류모델의 입력으로 사용할 2개 이상의 근적외선 파장대역을 선택입력하여 플라스틱분류모델을 생성하는 플라스틱분류모델생성단계(SA4); 및 상기 플라스틱분류모델생성단계에서 생성된 플라스틱분류모델을 상기 근적외선초분광스펙트럼측정 장치와 결합하여 분류가 필요한 플라스틱의 근적외선초분광스펙트럼을 측정하는 플라스틱분류용스펙트럼측정단계(SA5); 및 상기 플라스틱분류용스펙트럼측정단계에서 측정된 근적외선초분광스펙트럼을 상기 생성된 플라스틱분류모델의 입력으로 사용하여 플라스틱의 종류를 판별하는 플라스틱종류판별단계(SA6); 및 상기 플라스틱종류판별단계의 결과에 따라 상기 분류가 필요한 플라스틱을 분류 처리하는 플라스틱분류단계(SA7)를 포함하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
상기와 같은 발명의 구성에 의하여 기존의 근적외선 분광기로는 구분할 수 없어 유사한 적외선분광스펙트럼이 나타났던 플라스틱들을 모두 구분하여 측정하고 분류할 수 있는 효과가 있다.
이를 위하여 근적외선초분광스펙트럼측정 장치로 분류하고자하는 플라스틱 종류별로 근적외선초분광스펙트럼을 복수 개 측정하여 측정결과를 데이터베이스화(DB화)하여 저장하는 근적외선초분광스펙트럼측정및DB화단계(SA1); 및 DB화한 근적외선초분광스펙트럼측정 결과를 정규분포교정(SNV, Standard Normal Variate correction) 방법으로 전처리하는 근적외선초분광스펙트럼전처리단계(SA2); 및 플라스틱분류모델생성을 위한 플라스틱분류알고리즘선택단계(SA3); 및 상기 플라스틱분류알고리즘선택단계에서 선택된 알고리즘에 상기 근적외선초분광스펙트럼전처리단계에서 전처리한 데이터 중 플라스틱분류모델의 입력으로 사용할 2개 이상의 근적외선 파장대역을 선택입력하여 플라스틱분류모델을 생성하는 플라스틱분류모델생성단계(SA4); 및 상기 플라스틱분류모델생성단계에서 생성된 플라스틱분류모델을 상기 근적외선초분광스펙트럼측정 장치와 결합하여 분류가 필요한 플라스틱의 근적외선초분광스펙트럼을 측정하는 플라스틱분류용스펙트럼측정단계(SA5); 및 상기 플라스틱분류용스펙트럼측정단계에서 측정된 근적외선초분광스펙트럼을 상기 생성된 플라스틱분류모델의 입력으로 사용하여 플라스틱의 종류를 판별하는 플라스틱종류판별단계(SA6); 및 상기 플라스틱종류판별단계의 결과에 따라 상기 분류가 필요한 플라스틱을 분류 처리하는 플라스틱분류단계(SA7)를 포함하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
상기와 같은 발명의 구성에 의하여 기존의 근적외선 분광기로는 구분할 수 없어 유사한 적외선분광스펙트럼이 나타났던 플라스틱들을 모두 구분하여 측정하고 분류할 수 있는 효과가 있다.
Description
본 출원 발명은 수거된 폐플라스틱을 수거 전후에 성분별로 선별하는 기술에 관한 것이다. 더욱 자세하게는 근적외선 초분광스펙트럼을 이용하여 물질에 따라 파장별로 다르게 흡수되는 적외선의 성질을 이용하여 폐플라스틱을 수지의 종류에 따라 분류할 수 있도록 성분을 분석하여 출력하는 기술에 관한 것이다.
본 출원 발명의 출원 이전의 선행기술로 분광기를 이용한 플라스틱의 재질별 선별 분류장치가 개시되어 있다. 이 기술에서는 소형 폐가전으로부터 분류된 플라스틱 조각을 재질별 분석 후 분류를 목적으로 하는 장치로써, 한 개의 집광렌즈를 통하여 한 개의 조각난 플라스틱을 재질별 분석이 가능하여 집광렌즈를 직렬방식으로 여러 개 설치하면 동시에 여러 종류의 플라스틱 재질별 분석 되어 선별분류가 가능한 기술이 개시되어있다.
또 다른 선행기술로 광학선별기를 이용한 재활용 쓰레기를 대단위로 선별하는 방법과 그 방법을 이용한 폐수지를 종류별로 선별하는 장치가 개시되어 있다. 이 기술에서는 쓰레기 중에서 1단계로 제1 광학선별기를 이용하여, 우선하여 플라스틱류와 비플라스류로 대분류하여 일반 필름류 비닐류와 형상물(pet, pp, pe, ps 등)을 용이하게 선별할 수 있도록 하고, 일반 비플라스틱류의 유리병, 캔류 등을 용이하게 선별할 수 있도록 하여 선별 공정을 단순화 시켜 처리 용량을 확대시킨 장치이며, 2 단계 선별 과정으로 1단계에서 선별 분리된 플라스틱류는 일반 형상선별장치를 통해 비닐류(EPR필름류 포함)와 유가 형상물(pet, pp, pe, ps 4종)로 구분되고, 비닐류(EPR필름류)는 수선별에 의해 비닐과 EPR필름으로 선별되고 일반 형상물(pet, pp, pe, ps 4종)은 제3 광학선별기에 의해 센서를 적용하여 4종 플라스틱을 재질별로 센싱하되 반복적으로 센싱하고 반복 선별하는 기술이 개시되어 있다.
본 출원 발명은 기존의 플라스틱류를 선별하는 방법은 다양한 종류의 플라스틱을 상세히 구분하지 못하고 플라스틱류 또는 투명한 플라스틱과 그렇지 않는 플라스틱을 분류하는 정도에 그쳤기 때문에 플라스틱의 재활용률이 매우 낮은 문제가 있어왔다.
플라스틱 제품은 여러종류의 수지류를 혼합하여 원하는 물리적 특성을 나타나도록 하는 혼합 수지류의 제품과 한 가지 수지를 사용하여 제품을 만드는 경우 등 다양하다. 여러 가지 수지류를 혼합하여 사용하는 경우에는 재활용이 어려우나, 한 가지 수지를 사용하여 제품을 만든 경우에는 수지의 종류에 따라 정확히 분류하여 재활용한다면 업사이클링이 가능한 제품을 만들 수 있는 장점이 있다.
그러나, 그 동안의 방법은 수지별로 분리하여 정확히 측정하는 기술이 부족하여 유사한 화학식으로 분류되는 플라스틱은 상세한 구분이 어려워 구분분리되지 못하였다.
본 출원 발명은 상기와 같은 문제를 초분광 및/ 또는 멀티분광 장치를 이용하여 해결하고자 한다.
상기와 같은 문제를 해결하고자 다음의 과제해결 수단을 제공한다.
본 출원 발명의 제1 과제해결수단으로
근적외선초분광스펙트럼측정 장치로 분류하고자하는 플라스틱 종류별로 근적외선초분광스펙트럼을 복수 개 측정하여 측정결과를 데이터베이스화(DB화)하여 저장하는 근적외선초분광스펙트럼측정및DB화단계(SA1); 및
DB화한 근적외선초분광스펙트럼측정 결과를 정규분포교정(SNV, Standard Normal Variate correction) 방법으로 전처리하는 근적외선초분광스펙트럼전처리단계(SA2); 및
플라스틱분류모델생성을 위한 플라스틱분류알고리즘선택단계(SA3); 및
상기 플라스틱분류알고리즘선택단계에서 선택된 알고리즘에 상기 근적외선초분광스펙트럼전처리단계에서 전처리한 데이터 중 플라스틱분류모델의 입력으로 사용할 2개 이상의 근적외선 파장대역을 선택입력하여 플라스틱분류모델을 생성하는 플라스틱분류모델생성단계(SA4); 및
상기 플라스틱분류모델생성단계에서 생성된 플라스틱분류모델을 상기 근적외선초분광스펙트럼측정 장치와 결합하여 분류가 필요한 플라스틱의 근적외선초분광스펙트럼을 측정하는 플라스틱분류용스펙트럼측정단계(SA5); 및
상기 플라스틱분류용스펙트럼측정단계에서 측정된 근적외선초분광스펙트럼을 상기 생성된 플라스틱분류모델의 입력으로 사용하여 플라스틱의 종류를 판별하는 플라스틱종류판별단계(SA6); 및
상기 플라스틱종류판별단계의 결과에 따라 상기 분류가 필요한 플라스틱을 분류 처리하는 플라스틱분류단계(SA7)를 포함하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
또한, 상기 근적외선초분광스펙트럼전처리단계에서 사용한 정규분포교정 방법은 근적외선초분광스펙트럼측정및DB화단계에서 측정된 근적외선 초분광스펙트럼을 크기순서대로 정렬한 후 가장 중앙에 위치하는 값이 정규분포의 중앙에 오도록 측정된 데이터를 교정하는 방법을 사용하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
또한, 상기 플라스틱분류알고리즘선택단계에서는 주성분분석 또는 기계학습방법 중 어느 하나를 사용하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
또한, 상기 플라스틱분류모델의 입력으로 사용할 2개 이상의 근적외선 파장대역은 1133um, 1223um, 1357um, 1382um, 1420um, 1679um 및 1708um 중 어느 2개 이상의 파장대역을 사용하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
본 출원 발명의 제2 과제해결수단으로
근적외선초분광스펙트럼측정 장치로 분류하고자하는 플라스틱 종류별, 두께별로 근적외선초분광스펙트럼을 복수 개 측정하여 측정결과를 데이터베이스화(DB화)하여 저장하는 근적외선초분광스펙트럼측정및DB화단계(SB1); 및
DB화한 근적외선초분광스펙트럼측정 결과를 정규분포교정(SNV, Standard Normal Variate correction) 방법으로 전처리하는 근적외선초분광스펙트럼전처리단계(SB2); 및
플라스틱분류모델생성을 위한 플라스틱분류알고리즘선택단계(SB3); 및
상기 플라스틱분류알고리즘선택단계에서 선택된 알고리즘에 상기 근적외선초분광스펙트럼전처리단계에서 전처리한 데이터 중 플라스틱분류모델의 입력으로 사용할 2개 이상의 근적외선 파장대역을 선택입력하여 플라스틱분류모델을 생성하는 플라스틱분류모델생성단계(SB4); 및
상기 플라스틱분류모델생성단계에서 생성된 플라스틱분류모델을 상기 근적외선 초분광 스펙트럼측정 장치와 결합하여 두께와 종류가 다른 여러종류의 분류가 필요한 플라스틱의 근적외선초분광스펙트럼을 측정하는 플라스틱분류용스펙트럼측정단계(SB5); 및
상기 플라스틱분류용스펙트럼측정단계에서 측정된 근적외선초분광스펙트럼을 상기 생성된 플라스틱분류모델의 입력으로 사용하여 플라스틱의 두께에 관계없이 플라스틱의 종류를 판별하는 플라스틱종류판별단계(SB6); 및
상기 플라스틱종류판별단계의 결과에 따라 상기 분류가 필요한 플라스틱을 분류 처리하는 플라스틱분류단계(SB7)를 포함하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
또한, 상기 근적외선초분광스펙트럼전처리단계에서 사용한 정규분포교정 방법은 근적외선초분광스펙트럼측정및DB화단계에서 측정된 근적외선 초분광스펙트럼을 크기순서대로 정렬한 후 가장 중앙에 위치하는 값이 정규분포의 중앙에 오도록 교정하는 방법을 사용하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
또한, 상기 플라스틱분류알고리즘선택단계에서는 주성분분석 또는 기계학습방법 중 인공신경망 중 어느 하나를 사용하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
또한, 상기 플라스틱분류모델의 입력으로 사용할 2개 이상의 근적외선 파장대역은 1133um, 1223um, 1357um, 1382um, 1420um, 1679um 및 1708um 중 어느 2개 이상의 파장대역을 사용하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
본 출원 발명의 제3 과제해결수단으로
근적외선 초분광 스펙트럼측정 장치로 분류하고자하는 플라스틱 종류별로 근적외선초분광 스펙트럼을 복수 개 측정하여 측정결과를 데이터베이스화(DB화)하여 저장하는 근적외선초분광스펙트럼측정및DB화단계(SC1); 및
DB화한 근적외선초분광스펙트럼측정 결과를 정규분포교정(SNV, Standard Normal Variate correction) 방법으로 전처리하는 근적외선초분광스펙트럼전처리단계(SC2); 및
상기 근적외선초분광스펙트럼전처리1단계를 거친 근적외선 초분광스펙트럼측정 결과를 파장을 원주방향으로 하고, 중심값을0 중심에서의 거리를 근적외선 초분광스펙트럼의 크기 값으로 하는 방사형 이미지로 변환하는 근적외선초분광스펙트럼이미지화단계(SC3);; 및
플라스틱분류모델생성을 위한 플라스틱분류알고리즘선택단계(SC4); 및
상기 플라스틱분류알고리즘선택단계에서 선택된 알고리즘에 상기 근적외선초분광스펙트럼이미지화단계에서 이미지로 변환한 데이터를 입력하여 플라스틱분류모델을 생성하는 플라스틱분류모델생성단계(SC5); 및
상기 플라스틱분류모델생성단계에서 생성된 플라스틱분류모델을 상기 근적외선 초분광 스펙트럼측정 장치와 결합하여 분류가 필요한 플라스틱의 근적외선초분광 스펙트럼을 측정하는 플라스틱분류용스펙트럼측정단계(SC6); 및
상기 플라스틱분류용스펙트럼측정단계에서 측정된 근적외선 초분광 스펙트럼을, 파장을 원주방향으로 하고, 중심값을0, 중심에서의 거리를 근적외선 초분광스펙트럼의 크기 값으로 하는 방사형 이미지로 변환하는 플라스틱분류용근적외선초분광스펙트럼이미지화단계(SC7); 및
상기 플라스틱분류모델의 입력으로 입력하여 플라스틱의 두께에 관계없이 플라스틱의 종류를 판별하는 플라스틱종류판별단계(SC8); 및
상기 플라스틱종류판별단계의 결과에 따라 상기 분류가 필요한 플라스틱을 분류 처리하는 플라스틱분류단계(SC9)를 포함하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
또한, 상기 근적외선초분광스펙트럼전처리단계에서 사용한 정규분포교정 방법은 근적외선초분광스펙트럼측정및DB화단계에서 측정된 근적외선 초분광스펙트럼을 크기순서대로 정렬한 후 가장 중앙에 위치하는 값이 정규분포의 중앙에 오도록 교정하는 방법을 사용하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
또한, 상기 플라스틱분류알고리즘선택단계에서는 상기 근적외선초분광스펙트럼이미지화단계에서 원형에 가까운 이미지로 변환된 데이터를 학습하고 분류하기위한 컨벌루셔널 뉴럴네트워크(CNN)를 선택하여 사용하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
또한, 상기 CNN의 입력으로, 상기 근적외선분광스펙트럼이미지화단계에서 이미지화된 2차원 이미지를 2차원 어레이형태로 상기 CNN의 학습입력 또는 플라스틱분류입력으로 사용하는 것을 특징으로하는 플라스틱 종류별 분류방법을 제공한다.
본 출원 발명의 제4 과제해결수단으로
근적외선 초분광 스펙트럼측정 장치로 분류하고자하는 플라스틱 종류별, 두께별로 근적외선초분광 스펙트럼을 복수 개 측정하여 측정결과를 데이터베이스화(DB화)하여 저장하는 근적외선초분광스펙트럼측정및DB화단계(SD1); 및
DB화한 근적외선초분광스펙트럼측정 결과를 정규분포교정(SNV, Standard Normal Variate correction) 방법으로 전처리하는 근적외선초분광스펙트럼전처리단계(SD2); 및
상기 근적외선초분광스펙트럼전처리1단계를 거친 근적외선 초분광스펙트럼측정 결과를 파장을 원주방향으로 하고, 중심값을0 중심에서의 거리를 근적외선 초분광스펙트럼의 크기 값으로 하는 방사형 이미지로 변환하는 근적외선초분광스펙트럼이미지화단계(SD3);; 및
플라스틱분류모델생성을 위한 플라스틱분류알고리즘선택단계(SD4); 및
상기 플라스틱분류알고리즘선택단계에서 선택된 알고리즘에 상기 근적외선초분광스펙트럼이미지화단계에서 이미지로 변환한 데이터를 입력하여 플라스틱분류모델을 생성하는 플라스틱분류모델생성단계(SD5); 및
상기 플라스틱분류모델생성단계에서 생성된 플라스틱분류모델을 상기 근적외선 초분광 스펙트럼측정 장치와 결합하여 두께와 종류가 다른 여러 종류의 분류가 필요한 플라스틱의 초분광 스펙트럼을 측정하는 플라스틱분류용스펙트럼측정단계(SD6); 및
상기 플라스틱분류용스펙트럼측정단계에서 측정된 근적외선 초분광 스펙트럼을 파장을 원주방향으로 하고, 중심값을0, 중심에서의 거리를 근적외선 초분광스펙트럼의 크기 값으로 하는 방사형 이미지로 변환하는 플라스틱분류용근적외선초분광스펙트럼이미지화단계(SD7); 및
상기 플라스틱분류용근적외선초분광스펙트럼이미지화단계에서 변환된 방사형 이미지를 상기 생성된 플라스틱분류모델의 입력으로 사용하여 플라스틱의 두께에 관계없이 플라스틱의 종류를 판별하는 플라스틱종류판별단계(SD8); 및
상기 플라스틱종류판별단계의 결과에 따라 상기 분류가 필요한 플라스틱을 분류 처리하는 플라스틱분류단계(SD9)를 포함하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
또한, 상기 근적외선초분광스펙트럼전처리단계에서 사용한 정규분포교정 방법은 근적외선초분광스펙트럼측정및DB화단계에서 측정된 근적외선 초분광스펙트럼을 크기순서대로 정렬한 후 가장 중앙에 위치하는 값이 정규분포의 중앙에 오도록 교정하는 방법을 사용하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
또한, 상기 플라스틱분류알고리즘선택단계에서는 상기 근적외선초분광스펙트럼이미지화단계에서 원형에 가까운 이미지로 변환된 데이터를 학습하고 분류하기위한 컨벌루셔널 뉴럴네트워크를 선택하여 사용하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
본 출원 발명의 제5 과제해결수단으로
근적외선 초분광 스펙트럼측정 장치로 분류하고자하는 플라스틱 종류별로 근적외선초분광 스펙트럼을 복수 개 측정하여 측정결과를 데이터베이스화(DB화)하여 저장하는 근적외선초분광스펙트럼측정및DB화단계(SE1); 및
DB화한 근적외선초분광스펙트럼측정 결과를 정규분포교정(SNV, Standard Normal Variate correction) 방법으로 전처리하는 근적외선초분광스펙트럼전처리1단계(SE2); 및
상기 근적외선초분광스펙트럼전처리1단계에서 전처리한 각각의 근적외선 초분광스펙트럼의 최소값을 0, 최대값을 100으로 스케일링하는 근적외선초분광스펙트럼전처리2단계(SE3); 및
상기 근적외선초분광스펙트럼전처리2단계를 거친 근적외선 초분광스펙트럼측정 결과를 파장을 원주방향으로 하고, 중심값을0 중심에서의 거리를 근적외선 초분광스펙트럼의 크기 값으로 하는 0에서 100사이의 값을 가지는 방사형 이미지로 변환하는 근적외선초분광스펙트럼이미지화단계(SE4); 및
플라스틱분류모델생성을 위한 플라스틱분류알고리즘선택단계(SE5); 및
상기 플라스틱분류알고리즘선택단계에서 선택된 알고리즘에 상기 근적외선초분광스펙트럼이미지화단계에서 이미지로 변환한 데이터를 입력하여 플라스틱분류모델을 생성하는 플라스틱분류모델생성단계(SE6); 및
상기 플라스틱분류모델생성단계에서 생성된 플라스틱분류모델을 상기 근적외선 초분광 스펙트럼측정 장치와 결합하여 두께와 종류가 다른 여러종류의 분류가 필요한 플라스틱의 근적외선초분광 스펙트럼을 측정하는 플라스틱분류용스펙트럼측정단계(SE7); 및
상기 플라스틱분류용스펙트럼측정단계에서 측정된 근적외선 초분광스펙트럼의 최소값을 0, 최대값을 100으로 스케일링한 후 파장을 원주방향으로 하고, 중심값을0, 중심에서의 거리를 근적외선 초분광스펙트럼의 크기 값으로 하는 0에서 100사이의 값을 가지는 방사형 이미지로 변환하는 플라스틱분류용근적외선초분광스펙트럼이미지화단계(SE8); 및
상기 플라스틱분류용근적외선초분광스펙트럼이미지화단계에서 변환된 방사형 이미지를 상기 생성된 플라스틱분류모델의 입력으로 사용하여 플라스틱의 두께에 관계없이 플라스틱의 종류를 판별하는 플라스틱종류판별단계(SE9); 및
상기 플라스틱종류판별단계의 결과에 따라 상기 분류가 필요한 플라스틱을 분류 처리하는 플라스틱분류단계(SE10)를 포함하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
또한, 상기 근적외선초분광스펙트럼전처리단계에서 사용한 정규분포교정 방법은 근적외선초분광스펙트럼측정및DB화단계에서 측정된 근적외선 초분광스펙트럼을 크기순서대로 정렬한 후 가장 중앙에 위치하는 값이 정규분포의 중앙에 오도록 교정하는 방법을 사용하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
또한, 상기 플라스틱분류알고리즘선택단계에서는 상기 근적외선초분광스펙트럼이미지화단계에서 원형에 가까운 이미지로 변환된 데이터를 학습하고 분류하기위한 컨벌루셔널 뉴럴네트워크를 선택하여 사용하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
또한, 상기 플라스틱 종류별 분류방법은 상기 근적외선초분광스펙트럼전처리2단계와 플라스틱분류용근적외선초분광스펙트럼이미지화단계에 의하여 상기 플라스틱분류모델생성단계에서 사용하는 데이터에 두께가 다른 플라스틱 근적외선 초분광 스펙트럼이 없어도 두께가 다른 플라스틱을 동일한 종류의 플라스틱으로 분류할 수 있는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
본 출원 발명의 제6 과제해결수단으로
근적외선멀티스펙트럼측정 장치로 분류하고자하는 플라스틱 종류별로 근적외선멀티스펙트럼을 복수 개 측정하여 측정결과를 데이터베이스화(DB화)하여 저장하는 근적외선멀티스펙트럼측정및DB화단계(TA1); 및
DB화한 근적외선멀티스펙트럼측정 결과를 정규분포교정(SNV, Standard Normal Variate correction) 방법으로 전처리하는 근적외선멀티스펙트럼전처리단계(TA2); 및
플라스틱분류모델생성을 위한 플라스틱분류알고리즘선택단계(TA3); 및
상기 플라스틱분류알고리즘선택단계에서 선택된 알고리즘에 상기 근적외선멀티스펙트럼전처리단계에서 전처리한 데이터 중 플라스틱분류모델의 입력으로 사용할 2개 이상의 근적외선 파장대역을 선택입력하여 플라스틱분류모델을 생성하는 플라스틱분류모델생성단계(TA4); 및
상기 플라스틱분류모델생성단계에서 생성된 플라스틱분류모델을 상기 근적외선멀티스펙트럼측정 장치와 결합하여 분류가 필요한 플라스틱의 근적외선멀티스펙트럼을 측정하는 플라스틱분류용스펙트럼측정단계(TA5); 및
상기 플라스틱분류용스펙트럼측정단계에서 측정된 근적외선멀티스펙트럼을 상기 생성된 플라스틱분류모델의 입력으로 사용하여 플라스틱의 종류를 판별하는 플라스틱종류판별단계(TA6); 및
상기 플라스틱종류판별단계의 결과에 따라 상기 분류가 필요한 플라스틱을 분류 처리하는 플라스틱분류단계(TA7)를 포함하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
또한, 상기 근적외선멀티스펙트럼전처리단계에서 사용한 정규분포교정 방법은 근적외선멀티스펙트럼측정및DB화단계에서 측정된 근적외선 멀티스펙트럼을 크기순서대로 정렬한 후 가장 중앙에 위치하는 값이 정규분포의 중앙에 오도록 측정되 데이터를 교정하는 방법을 사용하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
또한, 상기 플라스틱분류알고리즘선택단계에서는 주성분분석 또는 기계학습방법 중 인공신경망 중 어느 하나를 사용하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
또한, 상기 플라스틱분류모델의 입력으로 사용할 2개 이상의 근적외선 파장대역은 1133um, 1223um, 1357um, 1382um, 1420um, 1679um 및 1708um 중 어느 2개 이상의 파장대역을 사용하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
본 출원 발명의 제7 과제해결수단으로
근적외선멀티스펙트럼측정 장치로 분류하고자하는 플라스틱 종류별, 두께별로 근적외선멀티스펙트럼을 복수 개 측정하여 측정결과를 데이터베이스화(DB화)하여 저장하는 근적외선멀티스펙트럼측정및DB화단계(TB1); 및
DB화한 근적외선멀티스펙트럼측정 결과를 정규분포교정(SNV, Standard Normal Variate correction) 방법으로 전처리하는 근적외선멀티스펙트럼전처리단계(TB2); 및
플라스틱분류모델생성을 위한 플라스틱분류알고리즘선택단계(TB3); 및
상기 플라스틱분류알고리즘선택단계에서 선택된 알고리즘에 상기 근적외선멀티스펙트럼전처리단계에서 전처리한 데이터 중 플라스틱분류모델의 입력으로 사용할 2개 이상의 근적외선 파장대역을 선택입력하여 플라스틱분류모델을 생성하는 플라스틱분류모델생성단계(TB4); 및
상기 플라스틱분류모델생성단계에서 생성된 플라스틱분류모델을 상기 근적외선 멀티 스펙트럼측정 장치와 결합하여 두께와 종류가 다른 여러종류의 분류가 필요한 플라스틱의 근적외선멀티스펙트럼을 측정하는 플라스틱분류용스펙트럼측정단계(TB5); 및
상기 플라스틱분류용스펙트럼측정단계에서 측정된 근적외선멀티스펙트럼을 상기 생성된 플라스틱분류모델의 입력으로 사용하여 플라스틱의 두께에 관계없이 플라스틱의 종류를 판별하는 플라스틱종류판별단계(TB6); 및
상기 플라스틱종류판별단계의 결과에 따라 상기 분류가 필요한 플라스틱을 분류 처리하는 플라스틱분류단계(TB7)를 포함하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
또한, 상기 근적외선멀티스펙트럼전처리단계에서 사용한 정규분포교정 방법은 근적외선멀티스펙트럼측정및DB화단계에서 측정된 근적외선 멀티스펙트럼을 크기순서대로 정렬한 후 가장 중앙에 위치하는 값이 정규분포의 중앙에 오도록 교정하는 방법을 사용하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
또한, 상기 플라스틱분류알고리즘선택단계에서는 주성분분석 또는 기계학습방법 중 인공신경망 중 어느 하나를 사용하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
또한, 상기 플라스틱분류모델의 입력으로 사용할 2개 이상의 근적외선 파장대역은 1133um, 1223um, 1357um, 1382um, 1420um, 1679um 및 1708um 중 어느 2개 이상의 파장대역을 사용하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
본 출원 발명의 제8 과제해결수단으로
근적외선 멀티 스펙트럼측정 장치로 분류하고자하는 플라스틱 종류별로 근적외선멀티 스펙트럼을 복수 개 측정하여 측정결과를 데이터베이스화(DB화)하여 저장하는 근적외선멀티스펙트럼측정및DB화단계(TC1); 및
DB화한 근적외선멀티스펙트럼측정 결과를 정규분포교정(SNV, Standard Normal Variate correction) 방법으로 전처리하는 근적외선멀티스펙트럼전처리단계(TC2); 및
상기 근적외선멀티스펙트럼전처리1단계를 거친 근적외선 멀티스펙트럼측정 결과를 파장을 원주방향으로 하고, 중심값을0 중심에서의 거리를 근적외선 멀티스펙트럼의 크기 값으로 하는 방사형 이미지로 변환하는 근적외선멀티스펙트럼이미지화단계(TC3);; 및
플라스틱분류모델생성을 위한 플라스틱분류알고리즘선택단계(TC4); 및
상기 플라스틱분류알고리즘선택단계에서 선택된 알고리즘에 상기 근적외선멀티스펙트럼이미지화단계에서 이미지로 변환한 데이터를 입력하여 플라스틱분류모델을 생성하는 플라스틱분류모델생성단계(TC5); 및
상기 플라스틱분류모델생성단계에서 생성된 플라스틱분류모델을 상기 근적외선 멀티 스펙트럼측정 장치와 결합하여 분류가 필요한 플라스틱의 근적외선멀티 스펙트럼을 측정하는 플라스틱분류용스펙트럼측정단계(TC6); 및
상기 플라스틱분류용스펙트럼측정단계에서 측정된 근적외선 멀티 스펙트럼을, 파장을 원주방향으로 하고, 중심값을0, 중심에서의 거리를 근적외선 멀티스펙트럼의 크기 값으로 하는 방사형 이미지로 변환하는 플라스틱분류용근적외선멀티스펙트럼이미지화단계(TC7); 및
상기 플라스틱분류모델의 입력으로 입력하여 플라스틱의 두께에 관계없이 종류를 판별하는 플라스틱종류판별단계(TC8); 및
상기 플라스틱종류판별단계의 결과에 따라 상기 분류가 필요한 플라스틱을 분류 처리하는 플라스틱분류단계(TC9)를 포함하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
또한, 상기 근적외선멀티스펙트럼전처리단계에서 사용한 정규분포교정 방법은 근적외선멀티스펙트럼측정및DB화단계에서 측정된 근적외선 멀티스펙트럼을 크기순서대로 정렬한 후 가장 중앙에 위치하는 값이 정규분포의 중앙에 오도록 교정하는 방법을 사용하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
또한, 상기 플라스틱분류알고리즘선택단계에서는 상기 근적외선멀티스펙트럼이미지화단계에서 원형에 가까운 이미지로 변환된 데이터를 학습하고 분류하기위한 컨벌루셔널 뉴럴네트워크(CNN)를 선택하여 사용하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
또한, 상기 CNN의 입력으로 상기 근적외선멀티스펙트럼이미지화단계에서 이미지화된 2차원 이미지를 2차원 어레이형태로 상기 CNN의 입력으로 사용하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
본 출원 발명의 제9 과제해결수단으로
근적외선 멀티 스펙트럼측정 장치로 분류하고자하는 플라스틱 종류별, 두께별로 근적외선멀티 스펙트럼을 복수 개 측정하여 측정결과를 데이터베이스화(DB화)하여 저장하는 근적외선멀티스펙트럼측정및DB화단계(TD1); 및
DB화한 근적외선멀티스펙트럼측정 결과를 정규분포교정(SNV, Standard Normal Variate correction) 방법으로 전처리하는 근적외선멀티스펙트럼전처리단계(TD2); 및
상기 근적외선멀티스펙트럼전처리1단계를 거친 근적외선 멀티스펙트럼측정 결과를 파장을 원주방향으로 하고, 중심값을0 중심에서의 거리를 근적외선 멀티스펙트럼의 크기 값으로 하는 방사형 이미지로 변환하는 근적외선멀티스펙트럼이미지화단계(TD3);; 및
플라스틱분류모델생성을 위한 플라스틱분류알고리즘선택단계(TD4); 및
상기 플라스틱분류알고리즘선택단계에서 선택된 알고리즘에 상기 근적외선멀티스펙트럼이미지화단계에서 이미지로 변환한 데이터를 입력하여 플라스틱분류모델을 생성하는 플라스틱분류모델생성단계(TD5); 및
상기 플라스틱분류모델생성단계에서 생성된 플라스틱분류모델을 상기 근적외선 멀티 스펙트럼측정 장치와 결합하여 두께와 종류가 다른 여러 종류의 분류가 필요한 플라스틱의 멀티 스펙트럼을 측정하는 플라스틱분류용스펙트럼측정단계(TD6); 및
상기 플라스틱분류용스펙트럼측정단계에서 측정된 근적외선 멀티 스펙트럼을 파장을 원주방향으로 하고, 중심값을0, 중심에서의 거리를 근적외선 멀티스펙트럼의 크기 값으로 하는 방사형 이미지로 변환하는 플라스틱분류용근적외선멀티스펙트럼이미지화단계(TD7); 및
상기 플라스틱분류용근적외선멀티스펙트럼이미지화단계에서 변환된 방사형 이미지를 상기 생성된 플라스틱분류모델의 입력으로 사용하여 플라스틱의 두께에 관계없이 플라스틱의 종류를 판별하는 플라스틱종류판별단계(TD8); 및
상기 플라스틱종류판별단계의 결과에 따라 상기 분류가 필요한 플라스틱을 분류 처리하는 플라스틱분류단계(TD9)를 포함하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
또한, 상기 근적외선멀티스펙트럼전처리단계에서 사용한 정규분포교정 방법은 근적외선멀티스펙트럼측정및DB화단계에서 측정된 근적외선 멀티스펙트럼을 크기순서대로 정렬한 후 가장 중앙에 위치하는 값이 정규분포의 중앙에 오도록 교정하는 방법을 사용하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
또한, 상기 플라스틱분류알고리즘선택단계에서는 상기 근적외선멀티스펙트럼이미지화단계에서 원형에 가까운 이미지로 변환된 데이터를 학습하고 분류하기위한 컨벌루셔널 뉴럴네트워크를 선택하여 사용하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
본 출원 발명의 제10 과제해결수단으로
근적외선 멀티 스펙트럼측정 장치로 분류하고자하는 플라스틱 종류별로 근적외선멀티 스펙트럼을 복수 개 측정하여 측정결과를 데이터베이스화(DB화)하여 저장하는 근적외선멀티스펙트럼측정및DB화단계(TE1); 및
DB화한 근적외선멀티스펙트럼측정 결과를 정규분포교정(SNV, Standard Normal Variate correction) 방법으로 전처리하는 근적외선멀티스펙트럼전처리1단계(TE2); 및
상기 근적외선멀티스펙트럼전처리1단계에서 전처리한 각각의 근적외선 멀티스펙트럼의 최소값을 0, 최대값을 100으로 스케일링하는 근적외선멀티스펙트럼전처리2단계(TE3); 및
상기 근적외선멀티스펙트럼전처리2단계를 거친 근적외선 멀티스펙트럼측정 결과를 파장을 원주방향으로 하고, 중심값을0 중심에서의 거리를 근적외선 멀티스펙트럼의 크기 값으로 하는 0에서 100사이의 값을 가지는 방사형 이미지로 변환하는 근적외선멀티스펙트럼이미지화단계(TE4); 및
플라스틱분류모델생성을 위한 플라스틱분류알고리즘선택단계(TE5); 및
상기 플라스틱분류알고리즘선택단계에서 선택된 알고리즘에 상기 근적외선멀티스펙트럼이미지화단계에서 이미지로 변환한 데이터를 입력하여 플라스틱분류모델을 생성하는 플라스틱분류모델생성단계(TE6); 및
상기 플라스틱분류모델생성단계에서 생성된 플라스틱분류모델을 상기 근적외선 멀티 스펙트럼측정 장치와 결합하여 두께와 종류가 다른 여러종류의 분류가 필요한 플라스틱의 근적외선멀티 스펙트럼을 측정하는 플라스틱분류용스펙트럼측정단계(TE7); 및
상기 플라스틱분류용스펙트럼측정단계에서 측정된 근적외선 멀티스펙트럼의 최소값을 0, 최대값을 100으로 스케일링한 후 파장을 원주방향으로 하고, 중심값을0, 중심에서의 거리를 근적외선 멀티스펙트럼의 크기 값으로 하는 0에서 100사이의 값을 가지는 방사형 이미지로 변환하는 플라스틱분류용근적외선멀티스펙트럼이미지화단계(TE8); 및
상기 플라스틱분류용근적외선멀티스펙트럼이미지화단계에서 변환된 방사형 이미지를 상기 생성된 플라스틱분류모델의 입력으로 사용하여 플라스틱의 두께에 관계없이 플라스틱의 종류를 판별하는 플라스틱종류판별단계(TE9); 및
상기 플라스틱종류판별단계의 결과에 따라 상기 분류가 필요한 플라스틱을 분류 처리하는 플라스틱분류단계(TE10)를 포함하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
또한, 상기 근적외선멀티스펙트럼전처리단계에서 사용한 정규분포교정 방법은 근적외선멀티스펙트럼측정및DB화단계에서 측정된 근적외선 멀티스펙트럼을 크기순서대로 정렬한 후 가장 중앙에 위치하는 값이 정규분포의 중앙에 오도록 교정하는 방법을 사용하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
또한, 상기 플라스틱분류알고리즘선택단계에서는 상기 근적외선멀티스펙트럼이미지화단계에서 원형에 가까운 이미지로 변환된 데이터를 학습하고 분류하기위한 컨벌루셔널 뉴럴네트워크를 선택하여 사용하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
또한, 상기 플라스틱 종류별 분류방법은 상기 근적외선멀티스펙트럼전처리2단계와 플라스틱분류용근적외선멀티스펙트럼이미지화단계에 의하여 상기 플라스틱분류모델생성단계에서 사용하는 데이터에 두께가 다른 플라스틱 근적외선 멀티 스펙트럼이 없어도 두께가 다른 플라스틱을 동일한 종류의 플라스틱으로 분류할 수 있는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
상기와 같은 발명의 구성에 의하여 기존의 근적외선 분광기로는 구분할 수 없이 유사한 경향이 나타났던 플라스틱들을 모두 구분하여 측정하고 분류할 수 있는 효과가 있다.
또한, 측정방법에 있어서, 최근 많이 사용하고 있는 인공지능 학습을 이용한 뉴럴네트워크를 이용함으로써 플라스틱 수지별로 구분이 어려웠던 점을 해결할 수 있었다.
더욱이, 초분광 또는 다분광 스펙트럼을 방사형그래프로 표시하고 이를 이미지화하여 이미지 분석에 효율적인 CNN(Converlutional Neural Network)에 입력하여 분석함으로써 더욱 빠르게 플라스틱을 분류하는 장치를 제공하는 효과가 있다.
또한, 초분광 또는 다분광 스펙트럼을 최대값을 100, 최소값을 0으로 스케일링하여 방사형그래프를 생성하고 이를 학습시킴으로써 플라스틱의 종류별, 두께별 샘플이 없이도 CNN 학습을 통하여 두께를 달리하는 플라스틱을 함께 구분하여 분류할 수 있는 효과가 있다.
도 1은 본 발명에서 분류하고자 하는 여러 종류의 수지로 만들어진 플라스틱을 도시하고 있다.
도 2는 본 발명의 초분광분석법에 의하여 측정한 서로다른 종류를 플라스틱 수지에 대한 근적외선 초분광 측정 데이터 그래프이다.
도 3은 본 발명의 근적외선 초분광분석법에 의하여 플라스틱 시료를 측정하고 이를 이용하여 플라스틱을 분류하는 소프트웨어 화면이다.
도 4는 본 발명의 근적외선 초분광분석법에 의하여 플라스틱 시료를 측정한 결과를 이용하여 근적외선 멀티분광법에 의하여 플라스틱 시료를 측정하여 고속으로 플라스틱을 분류하기 위하여 밴드패스 필터를 적용한 파장을 실시예로써 도시하고 있다.
도 5는 본 발명의 근적외선 멀티 분석법에 의하여 플라스틱 시료를 측정하고 이를 이용하여 플라스틱을 원료별로 분류하기위한 그래프를 도시하고 있다.
도 6은 본 발명의 근적외선 멀티 분석법에 의하여 플라스틱 시료를 측정하고 이를 이용하여 플라스틱을 원료별로 분류하기 위한 근적외선 멀티 센서를 도시하고 있다.
도 7은 본 발명의 또 하나의 구성인 동일한 플라스틱의 두께를 달리한 근적외선 초분광 측정결과 및 이를 이용한 플라스틱 분류를 위한 측정 결과를 도시하고 있다.
도 8은 본 발명의 동일한 플라스틱의 다른 두께를 가지는 시료를 구분하여 측정하는 소프트웨어 동작 화면을 도시하고 있다.
도 9는 본 발명의 또 하나의 구성인 동일한 플라스틱의 두께를 달리한 근적외선 멀티 스펙트럼 측정결과 및 이를 이용한 플라스틱 분류를 위한 측정 결과를 도시하고 있다.
도 10은 본 발명의 또 하나의 실시 예로써 분류하고자 하는 플라스틱의 수지 종류별 근적외선 초분광 스펙트럼 측정결과를 방사상으로 도시하여 2차원 이미지화한 그래프를 도시하고 있다.
도 11은 본 발명의 본 발명의 또 하나의 실시 예로써 분류하고자 하는 플라스틱의 수지 종류별 근적외선 멀티스펙트럼 측정결과를 방사상으로 도시하여 다각형 형상의 2차원 이미지화한 그래프를 도시하고 있다.
도 12는 본 발명의 본 발명의 또 하나의 실시 예로써 동일한 종류의 플라스틱 수지를 두께를 달리하여 분류하고자 근적외선 초분광스펙트럼 측정결과를 방사상으로 도시하여 2차원으로 이미지화한 그래프를 도시하고 있다.
도 13은 본 발명의 본 발명의 또 하나의 실시 예로써 동일한 종류의 플라스틱 수지를 두께를 달리하여 분류하고자 근적외선 멀티스펙트럼 측정결과를 방사상으로 도시하여 다각형 형상의 2차원으로 이미지화한 그래프를 도시하고 있다.
도 14는 본 발명의 본 발명의 또 하나의 실시 예로써 여러 가지 원료를 사용한 플라스틱의 근적외선 멀티스펙트럼 측정결과를 방사상으로 도시하여 다각형 형상의 2차원으로 이미지화함에 있어서, 각각의 측정결과의 최대값을 100, 최소값을 0으로 스케일링하여 표시한 그래프이다.
도 15는 PP 수지를 원료로한 플라스틱의 근적외선 멀티스펙트럼 측정결과를 방사상으로 도시하여 다각형 형상의 2차원으로 이미지화함에 있어서, 각각의 측정결과의 최대값을 100, 최소값을 0으로 스케일링하여 표시한 그래프이다.
도 16은 PETG 수지를 원료로한 플라스틱의 근적외선 멀티스펙트럼 측정결과를 방사상으로 도시하여 다각형 형상의 2차원으로 이미지화함에 있어서, 각각의 측정결과의 최대값을 100, 최소값을 0으로 스케일링하여 표시한 그래프이다.
도 17은 PETE 수지를 원료로한 플라스틱의 근적외선 멀티스펙트럼 측정결과를 방사상으로 도시하여 다각형 형상의 2차원으로 이미지화함에 있어서, 각각의 측정결과의 최대값을 100, 최소값을 0으로 스케일링하여 표시한 그래프이다.
도 18은 PS 수지를 원료로한 플라스틱의 근적외선 멀티스펙트럼 측정결과를 방사상으로 도시하여 다각형 형상의 2차원으로 이미지화함에 있어서, 각각의 측정결과의 최대값을 100, 최소값을 0으로 스케일링하여 표시한 그래프이다.
도 19는 HDPE 수지를 원료로한 플라스틱의 근적외선 멀티스펙트럼 측정결과를 방사상으로 도시하여 다각형 형상의 2차원으로 이미지화함에 있어서, 각각의 측정결과의 최대값을 100, 최소값을 0으로 스케일링하여 표시한 그래프이다.
도 20은 LDPE 수지를 원료로한 플라스틱의 근적외선 멀티스펙트럼 측정결과를 방사상으로 도시하여 다각형 형상의 2차원으로 이미지화함에 있어서, 각각의 측정결과의 최대값을 100, 최소값을 0으로 스케일링하여 표시한 그래프이다.
도 21은 PVC 수지를 원료로한 플라스틱의 근적외선 멀티스펙트럼 측정결과를 방사상으로 도시하여 다각형 형상의 2차원으로 이미지화함에 있어서, 각각의 측정결과의 최대값을 100, 최소값을 0으로 스케일링하여 표시한 그래프이다.
도 22는 본 발명의 PETG 수지를 원료로 하는 플라스틱의 두께를 달리하며 측정한 근적외선 멀티스펙트럼의 선택파장에 대한 측정결과 그래프 왼쪽 이를 선택파장들의 측정값 중에 가장 큰 최대값을 100, 최소값을 0으로 스케일링하여 방사형으로 도시함으로써 2차원의 이미지를 획득한 그래프를 비교 도시하고 있다.
도 23은 본 발명의 PETG 수지를 원료로 하는 플라스틱의 두께를 달리하며 측정한 근적외선 멀티스펙트럼의 선택파장에 대한 측정결과의 최대값을 100, 최소값을 0으로 스케일링하여 방사형으로 도시함으로써 2차원의 이미지를 획득한 그래프를 도시하고 있다.
도 24는 본 출원 발명의 일 실시예의 플라스틱을 수지 원료별로 측정하는 단계를 도시하고 있다.
도 25는 본 출원 발명의 또 다른 실시예에 의한 플라스틱을 수지 원료별로 측정하는 단계를 도시하고 있다.
도 26은 본 출원 발명에서 사용하는 초분광 이미지에 대한 설명도이다.
도 27은 본 출원 발명에서 사용하는 초분광 이미지 측정 장치의 일반 구성도이다.
도 2는 본 발명의 초분광분석법에 의하여 측정한 서로다른 종류를 플라스틱 수지에 대한 근적외선 초분광 측정 데이터 그래프이다.
도 3은 본 발명의 근적외선 초분광분석법에 의하여 플라스틱 시료를 측정하고 이를 이용하여 플라스틱을 분류하는 소프트웨어 화면이다.
도 4는 본 발명의 근적외선 초분광분석법에 의하여 플라스틱 시료를 측정한 결과를 이용하여 근적외선 멀티분광법에 의하여 플라스틱 시료를 측정하여 고속으로 플라스틱을 분류하기 위하여 밴드패스 필터를 적용한 파장을 실시예로써 도시하고 있다.
도 5는 본 발명의 근적외선 멀티 분석법에 의하여 플라스틱 시료를 측정하고 이를 이용하여 플라스틱을 원료별로 분류하기위한 그래프를 도시하고 있다.
도 6은 본 발명의 근적외선 멀티 분석법에 의하여 플라스틱 시료를 측정하고 이를 이용하여 플라스틱을 원료별로 분류하기 위한 근적외선 멀티 센서를 도시하고 있다.
도 7은 본 발명의 또 하나의 구성인 동일한 플라스틱의 두께를 달리한 근적외선 초분광 측정결과 및 이를 이용한 플라스틱 분류를 위한 측정 결과를 도시하고 있다.
도 8은 본 발명의 동일한 플라스틱의 다른 두께를 가지는 시료를 구분하여 측정하는 소프트웨어 동작 화면을 도시하고 있다.
도 9는 본 발명의 또 하나의 구성인 동일한 플라스틱의 두께를 달리한 근적외선 멀티 스펙트럼 측정결과 및 이를 이용한 플라스틱 분류를 위한 측정 결과를 도시하고 있다.
도 10은 본 발명의 또 하나의 실시 예로써 분류하고자 하는 플라스틱의 수지 종류별 근적외선 초분광 스펙트럼 측정결과를 방사상으로 도시하여 2차원 이미지화한 그래프를 도시하고 있다.
도 11은 본 발명의 본 발명의 또 하나의 실시 예로써 분류하고자 하는 플라스틱의 수지 종류별 근적외선 멀티스펙트럼 측정결과를 방사상으로 도시하여 다각형 형상의 2차원 이미지화한 그래프를 도시하고 있다.
도 12는 본 발명의 본 발명의 또 하나의 실시 예로써 동일한 종류의 플라스틱 수지를 두께를 달리하여 분류하고자 근적외선 초분광스펙트럼 측정결과를 방사상으로 도시하여 2차원으로 이미지화한 그래프를 도시하고 있다.
도 13은 본 발명의 본 발명의 또 하나의 실시 예로써 동일한 종류의 플라스틱 수지를 두께를 달리하여 분류하고자 근적외선 멀티스펙트럼 측정결과를 방사상으로 도시하여 다각형 형상의 2차원으로 이미지화한 그래프를 도시하고 있다.
도 14는 본 발명의 본 발명의 또 하나의 실시 예로써 여러 가지 원료를 사용한 플라스틱의 근적외선 멀티스펙트럼 측정결과를 방사상으로 도시하여 다각형 형상의 2차원으로 이미지화함에 있어서, 각각의 측정결과의 최대값을 100, 최소값을 0으로 스케일링하여 표시한 그래프이다.
도 15는 PP 수지를 원료로한 플라스틱의 근적외선 멀티스펙트럼 측정결과를 방사상으로 도시하여 다각형 형상의 2차원으로 이미지화함에 있어서, 각각의 측정결과의 최대값을 100, 최소값을 0으로 스케일링하여 표시한 그래프이다.
도 16은 PETG 수지를 원료로한 플라스틱의 근적외선 멀티스펙트럼 측정결과를 방사상으로 도시하여 다각형 형상의 2차원으로 이미지화함에 있어서, 각각의 측정결과의 최대값을 100, 최소값을 0으로 스케일링하여 표시한 그래프이다.
도 17은 PETE 수지를 원료로한 플라스틱의 근적외선 멀티스펙트럼 측정결과를 방사상으로 도시하여 다각형 형상의 2차원으로 이미지화함에 있어서, 각각의 측정결과의 최대값을 100, 최소값을 0으로 스케일링하여 표시한 그래프이다.
도 18은 PS 수지를 원료로한 플라스틱의 근적외선 멀티스펙트럼 측정결과를 방사상으로 도시하여 다각형 형상의 2차원으로 이미지화함에 있어서, 각각의 측정결과의 최대값을 100, 최소값을 0으로 스케일링하여 표시한 그래프이다.
도 19는 HDPE 수지를 원료로한 플라스틱의 근적외선 멀티스펙트럼 측정결과를 방사상으로 도시하여 다각형 형상의 2차원으로 이미지화함에 있어서, 각각의 측정결과의 최대값을 100, 최소값을 0으로 스케일링하여 표시한 그래프이다.
도 20은 LDPE 수지를 원료로한 플라스틱의 근적외선 멀티스펙트럼 측정결과를 방사상으로 도시하여 다각형 형상의 2차원으로 이미지화함에 있어서, 각각의 측정결과의 최대값을 100, 최소값을 0으로 스케일링하여 표시한 그래프이다.
도 21은 PVC 수지를 원료로한 플라스틱의 근적외선 멀티스펙트럼 측정결과를 방사상으로 도시하여 다각형 형상의 2차원으로 이미지화함에 있어서, 각각의 측정결과의 최대값을 100, 최소값을 0으로 스케일링하여 표시한 그래프이다.
도 22는 본 발명의 PETG 수지를 원료로 하는 플라스틱의 두께를 달리하며 측정한 근적외선 멀티스펙트럼의 선택파장에 대한 측정결과 그래프 왼쪽 이를 선택파장들의 측정값 중에 가장 큰 최대값을 100, 최소값을 0으로 스케일링하여 방사형으로 도시함으로써 2차원의 이미지를 획득한 그래프를 비교 도시하고 있다.
도 23은 본 발명의 PETG 수지를 원료로 하는 플라스틱의 두께를 달리하며 측정한 근적외선 멀티스펙트럼의 선택파장에 대한 측정결과의 최대값을 100, 최소값을 0으로 스케일링하여 방사형으로 도시함으로써 2차원의 이미지를 획득한 그래프를 도시하고 있다.
도 24는 본 출원 발명의 일 실시예의 플라스틱을 수지 원료별로 측정하는 단계를 도시하고 있다.
도 25는 본 출원 발명의 또 다른 실시예에 의한 플라스틱을 수지 원료별로 측정하는 단계를 도시하고 있다.
도 26은 본 출원 발명에서 사용하는 초분광 이미지에 대한 설명도이다.
도 27은 본 출원 발명에서 사용하는 초분광 이미지 측정 장치의 일반 구성도이다.
근적외선은 광파장이 700 ~ 2500 nm 영역 사이에 해당하는 광을 말한다. 모든 적외선 영역의 빛은 분자와 상호작용을 일으키고, 물질은 분자 내부의 다양한 화학결합과 일치하는 파장의 적외선을 흡수한다. 이 적외선의 흡수 정도는 분자의 구조와 분자의 농도, 밀도 등과 직접 연관된다. 이를 이용하면 물질의 종류와 농도를 알아낼 수 있다. 기존에는 가스와 액체 등에 많이 사용되어 왔다(https://m.blog.naver.com/PostView.naver?isHttpsRedirect=true&blogId=mastor1113&logNo=220785278859, 마스터코리아 블로그, 2016.08.11.)
초분광 스펙트럼과 분광 스펙트럼의 차이는 해상도의 차이라고 단순히 본다면 큰 착오이다. 기존의 분광 스펙트럼으로는 해상도가 낮기 때문에 도 2와 같은 측정 결과를 얻을 수가 없다. 10 ~ 50개의 데이터가 뭉쳐진 값으로 나타나며, 노이즈에 대항 영향도 크기 때문에 아주 큰 차이가 없는 경우에는 구분할 수 없다.
그렇다고, 기존의 분관 스펙트럼 기술에 초분광 스펙트럼 기술을 단순 치환한다고 하여 동일한 결과가 나오지 않음은 물론이다.
도26에 본 발명에서 사용된 초분광 이미지에 대한 설명도를 첨부하였다. 왼쪽 이미지의 최상단이 항공촬영한 지역의 이미지이다. 초분광은 항공촬영한 2차원 이미지 상의 한 점에 대하여 근적외선 파장을 분광하는 성능에 따라 수십에서 수백 개의 정보를 얻을 수 있다. 각 파장은 각 파장의 광과 일치하는 물질의 화학결합식에 따라 해당 정보를 제공한다.
도26의 오른쪽에 도시된 그림은 이미지상의 1 개의 픽셀에 대한 분광정보를 제공하는 것을 그래프로 도시하고 있다. 즉, 2차원 이미지의 각 픽셀에 대하여 2차원 근적외선 흡광 정보가 제공되는 것이다.
따라서 여러 물질이 혼합된 경우에는 서로 다른 물질의 위치에 따라 근적외선 초분광 스펙트럼이 제공되는 것이다.
본 출원 발명은 이러한 정보를 이용하여 플라스틱을 구성하는 성분에 따라, 분류하고 이를 활용하기 위한 기술을 제공하고자하는 것이다.
본 출원 발명에서 사용하는 초분광 측정 장치의 구성은 도27에 도시된 것과 같이 근적외선 파장대역(700 ~ 2500 nm)의 광을 발생하는 광원을 구비한다. 상기 광원은 전체 파장을 하나의 광원으로 모두 커버할 수 있으면 좋으나 그렇지 않은 경우에는 2개 또는 3개로 나누어 광을 구비할 수 있다.
상기 광원을 모아주는 광원 포커싱 렌즈와 광을 측정대상 물체에 전달해주는 슬릿과 광을 파장별로 분광하는 분광기 등의 광학 구성과 물체에서 흡광된 광을 센싱하는 센서로 구성된다. 기본적으로 센서는 2차원 디텍터로 구성된다. 하나의 점에서 근적외선 파장대에 걸쳐 나오는 데이터를 측정하기 때문이다. 1차원 센서를 이용하여 하나의 점에 대한 신호를 파장대역별로 측정하여 이를 소프트웨어적으로 2차원 이미지로 구성하는 것도 물론가능하다.
이외에도 광원의 열을 식히는 냉각팬과 전원부, 데이터 획득 및 처리 소프트웨어 및 PC 등이 더 구비될 수 있다. 분석용 소프트웨어는 과거에는 데이터 분석용만 사용되고 있었으나, 인공지능 학습을 이용한 분류 방법도 함께 사용되고 있다.
상기 분광기를 대신하여 도 6과 같이 측정센서 어레이에 선택된 몇 가지 밴드패스광필터를 적용하여 멀티 형태로 시스템을 구성하여 멀티스펙트럼 측정 장치를 구성할 수도 있다. 이렇게 적용된 경우에는 분광기를 사용하지 않기 때문에 광강도가 증가하여 상기 측정센서 어레이를 더 감도가 낮은 저렴한 센서를 사용할 수 있는 장점도 있고, 분광기에서 분광하여 측정하는 시간이 단축되기 때문에 고속의 측정이 가능한 장점이 있다. 부연 설명하면, 분광기는 분광을 하면서 1차 오더에 해당하는 분광이 나오고, 연속하여 2차 .... N차 등 무한대의 오더에 해당하는 분광이 나오면서 분광의 광강도가 작아진다. 일반적으로 분광된 1차 오더의 광강도 보다 광필터의 효율이 더 높기 때문에 멀티필터를 사용하는 경우에 더 높은 광강도를 측정할 수 있다.
또한, 본 출원 발명에서는 플라스틱분류를 위한 분류모델을 여러 가지 방법을 사용하여 구현할 수 있다. 그중에 하나의 방법이 다중회귀 분석이다. 측정된 근적외선 초분광스펙트럼을 전체 또는 선택된 파장의 데이터를 이용하여 분류하고자하는 플라스틱을 2종류에서 13 종류까지 분류할 수 있도록 다중회귀 모델을 만들어 사용할 수 있다.
동일하거나 유사한 방법으로 인공지능의 한 분야인 머신러닝을 이용할 수도 있다. 본 출원 발명은 머신러닝에 관한 발명이 아니고, 분류 모델로써 머신러닝을 사용하는 것이어서, 자세한 설명은 생략하지만, 통상의 기술자가 머신러닝을 사용할 수 있는 범위내에서 이용가능하며, 특히, 뉴럴네트워크를 이용하여 전처리된 데이터를 입력으로하여 학습하고, 학습된 모델을 이용하여 측정된 플라스틱의 종류를 판별하는데 사용할 수 있다. 상기 뉴럴네트워크는 메트랩, 랩뷰와 같은 상용 소프트웨도 사용가능하고, 파이썬 등에서 제공하는 뉴럴네트워크의 사용이 가능하다.
또한, 본 출원 발명의 특징 중에 하나인 근적외선 초분광스펙트럼을 원형으로 배열하여 2차원 그래프 이미지로 변환한 후 이를 이미지 분류와 매칭 및 검색에 강력한 기능을 가지는 CNN(컨벌루셔널뉴럴네트워크)에 적용하여 플라스틱의 분류 모델을 근적외선 초음파스펙트럼으로 구성한 스펙트럼 2차원 이미지를 이용하여 구현할 수도 있다. 이렇게 함으로써 두께에 차이가 있는 플라스틱들을 두께에 차이가 있는 플라스틱의 추가적인 학습 없이도, 두께에 차이가 있는 플라스틱을 근적외선 초분광스펙트럼 이미지의 유사성으로부터 동일하게 분류할 수 있는 장정이 있다.
상기 CNN은 상용의 소프트웨어 또는 소프트웨어 디벨로먼트키트를 이용하여 통상의 기술자가 구현할 수 있는 정도이면, 본 출원 발명의 사상으로부터 실시할 수 있으며, 본 출원 발명 역시 상용소프트웨어를 이용하여 구현하였다. 그러나, 구현을 위한 소프트웨어만 기존의 기술을 사용하고 있을 뿐 발명의 사상은 기존의 기술로부터 구현할 수 없는 독창적인 기술임을 밝혀둔다.
딥러닝 기술이 적용된 CNN은 학습을 위한 입력과 완성된 인공지능 모델을 사용하는 입력이 모두 2차원 이미지를 입력으로 하고 있어, 이미지를 이용한 패턴 매칭 등에 매우 유용하다. 본 출원 발명의 실시예에도 이러한 장점을 살려 근적외선 초분광 스펙트럼 이미지를 방사형태의 이미지로 변환하여 학습에 이용하고, 측정된 데이터 역시 방사형태의 이미지로 변환하여 인공지능 학습완료된 CNN에 입력으로하여 매칭된 패턴으로부터 플라스틱의 종류를 두께차이에 관계없이 측정할 수 있도록 구현하였다.
상기와 같은 근적외선 초분광 스펙트럼 측정장치와 플라스틱분류를 위한 분류모델로 사용할 수 있는 방법 등의 기본지식으로부터 본 출원 발명의 작용효과를 도면을 활용하여 설명하면 다음과 같다.
도 1은 본 발명에서 분류하고자 하는 여러 종류의 수지로 만들어진 플라스틱을 도시하고 있다. HDPE, PVC, PP, LDPE PS, PETE 등을 포함하여 도시하고 있다.
도 2는 본 발명의 근적외선초분광스펙트럼 측정장치에서 측정한 7가지 다른 종류의 근적외선 초분광스펙트럼을 도시하고 있다. 상기 도2에는 PETE, PP, PS, PETG, HDPE, LDPE, PVC의 근적외선 초분광 스펙트럼을 도시하고 있다.
도 3은 본 발명의 근적외선 초분광스펙트럼 분석법에 의하여 플라스틱 시료를 측정하고 이를 이용하여 플라스틱을 분류하는 소프트웨어 화면이다. 가운데가 플라스틱 샘플이고, 오른쪽이 각 샘플의 근적외선 초분광 스펙트럼 그래프이다.
도 4는 본 발명의 근적외선 초분광 스펙트럼 분석법에 의하여 플라스틱 시료를 측정한 결과를 그래프에서, 특정 파장대역의 신호만을 선택하여 플라스틱 시료의 분석에 사용할 수 있도록 파장을 선택한 결과이다. 근적외선 초분광 스펙트럼을 사용하지 않고, 상기 선택된 근적외선 광파장에 해당하는 밴드패스필터를 이용하여 초분광이 아닌 근적외선 멀티 스펙트럼 분광법에 의하여 플라스틱 시료를 측정하여 플라스틱의 원료별로 분류하는 장치를 또 다른 실시예로 하고 있다. 상기 멀티 스팩트럼 측정에 사용된 광밴드패스 필터의 파장은 1133um, 1223um, 1357um, 1382um, 1420um, 1679um 및 1708um 이다.
도 5는 본 발명의 근적외선 멀티스펙트럼 분석법에 의하여 플라스틱 시료를 측정하고 이를 이용하여 플라스틱을 원료별로 분류하기 위하여 측정한 그래프를 도시하고 있다. 선택된 7개의 파장에 대한 흡광스펙트럼이 꺽은선 그래프로 도시되어 있다.
도 6은 본 발명의 근적외선 멀티 스펙트럼 분석법에 의하여 플라스틱 시료를 측정하고 이를 이용하여 플라스틱을 원료별로 분류하기 위한 근적외선 멀티 스펙트럼 센서를 도시하고 있다. 색깔별로 구분된 광학적 밴드패스필터에는 사용자가 선택한 근적외선 파장과 신호 교정을 위한 레퍼런스 파장 등이 구비될 수 있다.
도 7은 본 발명의 또 하나의 구성인 동일한 PETG 플라스틱의 두께를 1배에서 4배까지 달리한 근적외선 초분광 스펙트럼 측정결과를 도시하고 있다. 두께가 두꺼워 짐에 따라 흡광도가 증가하는 것을 볼 수 있다. 흡광도는 ‘1’일 때 흡광이 없는 것이고, ‘0’이면 해당 파장의 광을 모두 흡수하는 것이다. 그러나 상하로 쉬프트되는 이상의 그래프의 굴곡을 확인할 수 있다. 단지 전체적으로 이동하는 것이 아닌 광파장대역별로 흡광도의 크기가 연속적으로 변화되는 것을 볼 수 있다.
도 8은 본 발명의 동일한 플라스틱의 다른 두께를 가지는 시료를 구분하여 측정하는 소프트웨어 동작 화면을 도시하고 있다. 동일한 종류의 플라스틱을 두께를 달리하여 측정한 결과를 도시하고 있다. 도2에 도시한 것과는 다르게 모두 유사한 패턴을 가지고 있지만, 각각을 다른 플라스틱으로인식하고 있음을 할 수 있다.
따라서, 인공지능 뉴럴네트워크 학습 또는 다중회계 방법 등으로 플라스틱의 종류와 다른 두께를 인식하기 위해서는 플라스틱 분류모델을 만들기 위한 샘플측정 시에 다른 종류의 플라스틱과 다른 두께의 플라스틱 샘플을 측정한 측정결과를 이용하여 플라스틱 분류모델을 만들어야 한다.
도 9는 본 발명의 또 하나의 구성인 동일한 플라스틱의 두께를 달리한 근적외선 멀티 스펙트럼 측정결과를 도시하고 있다. 상기 멀티 스팩트럼 측정에 사용된 광밴드패스필터의 파장은 1133um, 1223um, 1357um, 1382um, 1420um, 1679um 및 1708um 이다.
도 10은 본 발명의 또 하나의 실시 예로써 분류하고자 하는 플라스틱의 수지 종류별 근적외선 초분광 스펙트럼 측정결과를 방사상으로 도시하여 2차원 이미지화한 그래프를 도시하고 있다. 기존의 X-Y축 그래프 형태의 경우 머신러닝의 한 가지 방법인 뉴럴네트워크(NN)을 사용하는 것이 일반적이다. 입력이 1차원 어레이로 입력되는 형태로 학습이 진행되며, 중간에 히든레이어와 플라스틱의 종류를 구분하는 숫자 등이 출력이 될 수 있다. 그러나, 시행착오와 NN 네트워크 학습 시 학습을 주도하는 사용자의 능력에 따라 결과가 여러형태로 나타날 수 있다.
최근에 각광을 받고 있는 딥러닝의 CNN 방법은 많은 검층을 거친 이미지 학습 및 이미지 패턴 매칭 등에 다양하게 사용되는 기법으로 매우 정확도가 높고 , 여러 툴들이 제공되어 사용도 편리한 장점이 있다. 본 출원 발명의 근적외선 초분광 스펙트럼을 이미지 형태로 바꾸어 NN 또는 다중회귀분석이 아닌, CNN에 적용해 보고자 하는 것이 도 10의 목적이다. 즉, 근적외선 초분광 스펙트럼을 X-Y 축이 아닌 방사형 그래프로 표시하여 폐곡선 형태의 이미지를 생성하고 이를 CNN에 입력으로 학습시켜 방사형 스펙터럼 이미지의 패턴 매칭방식으로 종류가 다른 플라스틱을 분류하는 분류모델을 생성하고자 하는 목적이다. 이를 위하여 도2 그래프의 X축에 해당하는 좌표가 원주둘레가 되고, Y축에 해당하는 좌표기 원주의 중심에서의 거리로 표시되는 방사상 그래프이다. 도10에서 살펴보는 것과 같이 다양한 형태의 폐곡선이 그려지는 것을 확인할 수 있다. 이 폐곡선 이미지를 값으로 입력하는 것이 아니고, 이미지 자체로써 CNN에 입력하여 플라스틱의 종류에 따른 스펙트럼 이미지를 학습시켜 플라스틱 분류모델을 생성하고, 상기 생성된 플라스틱분류모델에 분류 대상이되는 플라스틱의 근적외선 초분광 스펙트럼을 측정하고 이를 방사상그래프로 도시하여 이미지화하여 CNN 방식의 상기 플라스틱 분류모델에 입력함으로써 출력으로 플라스틱의 종류 확률로써 표시될 수 있다.
도 11은 본 발명의 본 발명의 또 하나의 실시 예로써 분류하고자 하는 플라스틱의 수지 종류별 근적외선 멀티스펙트럼 측정결과를 방사상으로 도시하여 다각형 형상의 2차원 이미지화한 그래프를 도시하고 있다. 상기 도10의 내용과 동일하지만 근적외선 초분광 스펙트럼을 사용하는 것이 아니고, 근적외선 멀티 스펙트럼을 사용하는 점에 차이가 있을 뿐이다.
도 12는 본 발명의 본 발명의 또 하나의 실시 예로써 동일한 종류의 플라스틱 수지를 두께를 달리하여 분류하고자 근적외선 초분광스펙트럼 측정결과를 방사상으로 도시하여 2차원으로 이미지화한 그래프를 도시하고 있다. PETG 두께에 따라 매우 흡사한 이미지가 생성되었으나, 그 그래프 형상에 차이가 있어 플라스틱의 두께를 달리한 샘플들의 근적외선 초분광스펙트럼을 학습시키지 않고서는 두께가 다른 플라스틱을 동일한 플라스틱으로 분류하지 못할 수 있다.
도 13은 본 발명의 본 발명의 또 하나의 실시 예로써 동일한 종류의 플라스틱 수지를 두께를 달리하여 분류하고자 근적외선 멀티스펙트럼 측정결과를 방사상으로 도시하여 다각형 형상의 2차원으로 이미지화한 그래프를 도시하고 있다.
도 12와 동일한 방법으로 생성된 두께를 달리하는 플라스틱의 멀티 스펙트럼 이미지 변환 결과이다.
도 10 내지 도 13의 플라스틱의 종류별 측정결과와 플라스틱의 두께별 스펙트럼의 차이 그래프는 초분광 스팩트럼을 사용하든, 멀티 스펙트럼을 사용하든 두께가 다른 플라스틱을 동일한 플라스틱으로 분류하기위해서는 CNN을 사용함에 있어 플라스틱 종류별, 두께별 별도의 측정 결과가 필요함을 알 수 있다.
도 14는 본 발명의 본 발명의 또 하나의 실시 예로써 여러 가지 원료를 사용한 플라스틱의 근적외선 멀티스펙트럼 측정결과를 방사상으로 도시하여 다각형 형상의 2차원으로 이미지화함에 있어서, 각각의 측정결과의 최대값을 100, 최소값을 0으로 스케일링하여 표시한 그래프이다. 앞에서 설명한 근적외선 초분광 또는 근적외선 멀티 스펙트럼 데이터들은 측정된 데이터를 그리는 축이 직교인지 극좌표인지의 차이가만 있었으며, 그러한 이유로 플라스틱의 종류가 같더라도 두께가 다른 경우에는 다른 그래프로 인식하고 있어, 머신러닝 학습 또는 다중회귀 방법을 사용함에 있어서, 여러 종류의 두께가 상이한 플라스틱 샘플을 학습데이터로 사용할 필요가 있었다.
그러나, 도 14은 측정된 각각의 샘플에 대한 근적외선 초분광 스펙트럼의 최소값을 0, 최대값을 100으로 스케일링한 후 방사상 그래프로 도시하여 폐곡선 또는 폐다각형 이미지로 변화함으로써 도 23에 도시한 바와 같이 동일한 종류의 플라스틱에 대하여 두께를 달리한 경우에도 매우 유사한 폐곡선 또는 다각형을 구할 수 있어, 별도의 플라스틱 두께 변환에 따른 CNN 학습용 샘플이 필요 없는 것이 발명의 장점이다. 도 14는 근적외선 멀티 스펙트럼의 측정 결과에 관한 것이나, 근적외선 초분관 스펙트럼의 경우에도 최대값을 100, 최소값을 0으로 스캐일링하여 동일한 효과를 얻을 수 있다.
도 15는 PP 수지를 원료로한 플라스틱의 근적외선 멀티스펙트럼 측정결과를 방사상으로 도시하여 다각형 형상의 2차원으로 이미지화함에 있어서, 각각의 측정결과의 최대값을 100, 최소값을 0으로 스케일링하여 표시한 그래프이다.
도 16은 PETG 수지를 원료로한 플라스틱의 근적외선 멀티스펙트럼 측정결과를 방사상으로 도시하여 다각형 형상의 2차원으로 이미지화함에 있어서, 각각의 측정결과의 최대값을 100, 최소값을 0으로 스케일링하여 표시한 그래프이다.
도 17은 PETE 수지를 원료로한 플라스틱의 근적외선 멀티스펙트럼 측정결과를 방사상으로 도시하여 다각형 형상의 2차원으로 이미지화함에 있어서, 각각의 측정결과의 최대값을 100, 최소값을 0으로 스케일링하여 표시한 그래프이다.
도 18은 PS 수지를 원료로한 플라스틱의 근적외선 멀티스펙트럼 측정결과를 방사상으로 도시하여 다각형 형상의 2차원으로 이미지화함에 있어서, 각각의 측정결과의 최대값을 100, 최소값을 0으로 스케일링하여 표시한 그래프이다.
도 19는 HDPE 수지를 원료로한 플라스틱의 근적외선 멀티스펙트럼 측정결과를 방사상으로 도시하여 다각형 형상의 2차원으로 이미지화함에 있어서, 각각의 측정결과의 최대값을 100, 최소값을 0으로 스케일링하여 표시한 그래프이다.
도 20은 LDPE 수지를 원료로한 플라스틱의 근적외선 멀티스펙트럼 측정결과를 방사상으로 도시하여 다각형 형상의 2차원으로 이미지화함에 있어서, 각각의 측정결과의 최대값을 100, 최소값을 0으로 스케일링하여 표시한 그래프이다.
도 21은 PVC 수지를 원료로한 플라스틱의 근적외선 멀티스펙트럼 측정결과를 방사상으로 도시하여 다각형 형상의 2차원으로 이미지화함에 있어서, 각각의 측정결과의 최대값을 100, 최소값을 0으로 스케일링하여 표시한 그래프이다.
상기 도 15 내지 도 21의 그래프는 도 21의 방법으로 스케일링된 멀티 스펙트럼 그래프로 도 11과 비교하여 상호 현저히 비교될 수 있도록 그래프의 변화가 큰 것이 장점이다.
도 22는 본 발명의 PETG 수지를 원료로 하는 플라스틱의 두께를 달리하며 측정한 근적외선 멀티스펙트럼의 선택파장에 대한 측정결과 그래프 왼쪽 이를 선택파장들의 측정값 중에 가장 큰 최대값을 100, 최소값을 0으로 스케일링하여 방사형으로 도시함으로써 2차원의 이미지를 획득한 그래프를 비교 도시하고 있다.
앞서 언급한 것과 같이 그래프의 크기를 스케일링 한 경우에는 두께를 달리한 플라스틱의 스펙트럼의 차이가 거의 없으나, 도 22의 왼쪽 그래프와 같이 스케일링하지 않는 경우에는 두께를 달리한 플라스틱의 스펙트럼의 경향은 유사하나 동일한 종류를 원료를 사용하는 플라스틱으로 머신러닝에서 인식하시 어려운 단점이 있다.
도 23은 본 발명의 PETG 수지를 원료로 하는 플라스틱의 두께를 달리하며 측정한 근적외선 멀티스펙트럼의 선택파장에 대한 측정결과의 최대값을 100, 최소값을 0으로 스케일링하여 방사형으로 도시함으로써 2차원의 이미지를 획득한 그래프를 도시하고 있다. 플라스틱의 두께에 따라 그래프의 위치별 값 차이는 있으나, 전체적인 이미지의 형상이 유사하기 때문에 두께 차이가 있는 샘플을 포함하지 않은 CNN 학습완료 모델에서 두께만 다른 플라스틱은 같은 플라스틱으로 분류하는 것이 가능하다.
도 24는 본 출원 발명의 일 실시예의 플라스틱을 수지 원료별로 측정하는 단계를 도시하고 있다. 도 24는 멀티모드(멀티 스펙트럼)을 이용하는 것으로 기재되어 있으나, 근적외선 초분광 스펙트럼을 사용하는 경우에도 스텍트럼의 개수에 차이가 있을 뿐 동일한 방법의 적용이 가능하다. 도 24는 스펙트럼을 방사형으로 그려 이미지화하지 않고, 스펙트럼을 1차원 배열로 NN에 입력하여 플라스틱을 분류하고자 하는 기술입니다. 학습에 필요한 샘플은 여러 플라스틱의 종류별 두께별 샘플이 필요하다.
도 25는 본 출원 발명의 또 다른 실시예에 의한 플라스틱을 수지 원료별로 측정하는 단계를 도시하고 있다. 도 25는 멀티모드(멀티 스펙트럼)을 이용하는 것으로 기재되어 있으나, 근적외선 초분광 스펙트럼을 사용하는 경우에도 스텍트럼의 개수에 차이가 있을 뿐 동일한 방법의 적용이 가능하다. 도 25는 스펙트럼을 방사형으로 그려 이미지화하여, 이차원 이미지를 CNN의 입력으로 하여 플라스틱 분류 모델을 생상한 후 상기 분류모델에 분류를 위하여 측정된 멀티 스펙트럼을 최대값을 100, 최소값을 0으로 스케일링하고 이를 원주방향은 주파수를 중심으로부터 외곽으로 스펙트럼의 스케일된 크기를 도시하여 이미지화한 측정결과를 입력하여 플라스틱의 종류를 두께에 관계없이 측정하는 순서도를 도시하고 있다. 별도의 두께를 달리하는 동일한 원료의 플라스틱 샘플을 학습에 사용하지는 않는다.
Claims (20)
- 근적외선초분광스펙트럼측정 장치로 분류하고자하는 플라스틱 종류별로 근적외선초분광스펙트럼을 복수 개 측정하여 측정결과를 데이터베이스화(DB화)하여 저장하는 근적외선초분광스펙트럼측정및DB화단계(SA1); 및
DB화한 근적외선초분광스펙트럼측정 결과를 정규분포교정(SNV, Standard Normal Variate correction) 방법으로 전처리하는 근적외선초분광스펙트럼전처리단계(SA2); 및
플라스틱분류모델생성을 위한 플라스틱분류알고리즘선택단계(SA3); 및
상기 플라스틱분류알고리즘선택단계에서 선택된 알고리즘에 상기 근적외선초분광스펙트럼전처리단계에서 전처리한 데이터 중 플라스틱분류모델의 입력으로 사용할 2개 이상의 근적외선 파장대역을 선택입력하여 플라스틱분류모델을 생성하는 플라스틱분류모델생성단계(SA4); 및
상기 플라스틱분류모델생성단계에서 생성된 플라스틱분류모델을 상기 근적외선초분광스펙트럼측정 장치와 결합하여 분류가 필요한 플라스틱의 근적외선초분광스펙트럼을 측정하는 플라스틱분류용스펙트럼측정단계(SA5); 및
상기 플라스틱분류용스펙트럼측정단계에서 측정된 근적외선초분광스펙트럼을 상기 생성된 플라스틱분류모델의 입력으로 사용하여 플라스틱의 종류를 판별하는 플라스틱종류판별단계(SA6); 및
상기 플라스틱종류판별단계의 결과에 따라 상기 분류가 필요한 플라스틱을 분류 처리하는 플라스틱분류단계(SA7)를 포함하는 것을 특징으로 하는 플라스틱 종류별 분류방법. - 제1항에 있어서,
상기 근적외선초분광스펙트럼전처리단계에서 사용한 정규분포교정 방법은 근적외선초분광스펙트럼측정및DB화단계에서 측정된 근적외선 초분광스펙트럼을 크기순서대로 정렬한 후 가장 중앙에 위치하는 값이 정규분포의 중앙에 오도록 교정하는 방법을 사용하는 것을 특징으로 하는 플라스틱 종류별 분류방법. - 제1항에 있어서,
상기 플라스틱분류알고리즘선택단계에서는 주성분분석 또는 기계학습방법 중 인공신경망 중 어느 하나를 사용하는 것을 특징으로 하는 플라스틱 종류별 분류방법. - 제1항에 있어서,
상기 플라스틱분류모델의 입력으로 사용할 2개 이상의 근적외선 파장대역은 1133um, 1223um, 1357um, 1382um, 1420um, 1679um 및 1708um 중 어느 2개 이상의 파장대역을 사용하는 것을 특징으로 하는 플라스틱 종류별 분류방법. - 근적외선초분광스펙트럼측정 장치로 분류하고자하는 플라스틱 종류별, 두께별로 근적외선초분광스펙트럼을 복수 개 측정하여 측정결과를 데이터베이스화(DB화)하여 저장하는 근적외선초분광스펙트럼측정및DB화단계(SB1); 및
DB화한 근적외선초분광스펙트럼측정 결과를 정규분포교정(SNV, Standard Normal Variate correction) 방법으로 전처리하는 근적외선초분광스펙트럼전처리단계(SB2); 및
플라스틱분류모델생성을 위한 플라스틱분류알고리즘선택단계(SB3); 및
상기 플라스틱분류알고리즘선택단계에서 선택된 알고리즘에 상기 근적외선초분광스펙트럼전처리단계에서 전처리한 데이터 중 플라스틱분류모델의 입력으로 사용할 2개 이상의 근적외선 파장대역을 선택입력하여 플라스틱분류모델을 생성하는 플라스틱분류모델생성단계(SB4); 및
상기 플라스틱분류모델생성단계에서 생성된 플라스틱분류모델을 상기 근적외선 초분광 스펙트럼측정 장치와 결합하여 두께와 종류가 다른 여러종류의 분류가 필요한 플라스틱의 근적외선초분광스펙트럼을 측정하는 플라스틱분류용스펙트럼측정단계(SB5); 및
상기 플라스틱분류용스펙트럼측정단계에서 측정된 근적외선초분광스펙트럼을 상기 생성된 플라스틱분류모델의 입력으로 사용하여 플라스틱의 두께에 관계없이 플라스틱의 종류를 판별하는 플라스틱종류판별단계(SB6); 및
상기 플라스틱종류판별단계의 결과에 따라 상기 분류가 필요한 플라스틱을 분류 처리하는 플라스틱분류단계(SB7)를 포함하는 것을 특징으로 하는 플라스틱 종류별 분류방법. - 삭제
- 삭제
- 근적외선 초분광 스펙트럼측정 장치로 분류하고자하는 플라스틱 종류별로 근적외선초분광 스펙트럼을 복수 개 측정하여 측정결과를 데이터베이스화(DB화)하여 저장하는 근적외선초분광스펙트럼측정및DB화단계(SE1); 및
DB화한 근적외선초분광스펙트럼측정 결과를 정규분포교정(SNV, Standard Normal Variate correction) 방법으로 전처리하는 근적외선초분광스펙트럼전처리1단계(SE2); 및
상기 근적외선초분광스펙트럼전처리1단계에서 전처리한 각각의 근적외선 초분광스펙트럼의 최소값을 0, 최대값을 100으로 스케일링하는 근적외선초분광스펙트럼전처리2단계(SE3); 및
상기 근적외선초분광스펙트럼전처리2단계를 거친 근적외선 초분광스펙트럼측정 결과를 파장을 원주방향으로 하고, 중심값을0 중심에서의 거리를 근적외선 초분광스펙트럼의 크기 값으로 하는 0에서 100사이의 값을 가지는 방사형 이미지로 변환하는 근적외선초분광스펙트럼이미지화단계(SE4); 및
플라스틱분류모델생성을 위한 플라스틱분류알고리즘선택단계(SE5); 및
상기 플라스틱분류알고리즘선택단계에서 선택된 알고리즘에 상기 근적외선초분광스펙트럼이미지화단계에서 이미지로 변환한 데이터를 입력하여 플라스틱분류모델을 생성하는 플라스틱분류모델생성단계(SE6); 및
상기 플라스틱분류모델생성단계에서 생성된 플라스틱분류모델을 상기 근적외선 초분광 스펙트럼측정 장치와 결합하여 두께와 종류가 다른 여러종류의 분류가 필요한 플라스틱의 근적외선초분광 스펙트럼을 측정하는 플라스틱분류용스펙트럼측정단계(SE7); 및
상기 플라스틱분류용스펙트럼측정단계에서 측정된 근적외선 초분광스펙트럼의 최소값을 0, 최대값을 100으로 스케일링한 후 파장을 원주방향으로 하고, 중심값을0, 중심에서의 거리를 근적외선 초분광스펙트럼의 크기 값으로 하는 0에서 100사이의 값을 가지는 방사형 이미지로 변환하는 플라스틱분류용근적외선초분광스펙트럼이미지화단계(SE8); 및
상기 플라스틱분류용근적외선초분광스펙트럼이미지화단계에서 변환된 방사형 이미지를 상기 생성된 플라스틱분류모델의 입력으로 사용하여 플라스틱의 두께에 관계없이 플라스틱의 종류를 판별하는 플라스틱종류판별단계(SE9); 및
상기 플라스틱종류판별단계의 결과에 따라 상기 분류가 필요한 플라스틱을 분류 처리하는 플라스틱분류단계(SE10)를 포함하는 것을 특징으로 하는 플라스틱 종류별 분류방법. - 제8항에 있어서,
상기 플라스틱분류알고리즘선택단계에서는 상기 근적외선초분광스펙트럼이미지화단계에서 원형에 가까운 이미지로 변환된 데이터를 학습하고 분류하기위한 컨벌루셔널 뉴럴네트워크를 선택하여 사용하는 것을 특징으로 하는 플라스틱 종류별 분류방법. - 제8항에 있어서,
상기 플라스틱 종류별 분류방법은 상기 근적외선초분광스펙트럼전처리2단계와 플라스틱분류용근적외선초분광스펙트럼이미지화단계에 의하여 상기 플라스틱분류모델생성단계에서 사용하는 데이터에 두께가 다른 플라스틱 근적외선 초분광 스펙트럼이 없어도 두께가 다른 플라스틱을 동일한 종류의 플라스틱으로 분류할 수 있는 것을 특징으로 하는 플라스틱 종류별 분류방법. - 근적외선멀티스펙트럼측정 장치로 분류하고자하는 플라스틱 종류별로 근적외선멀티스펙트럼을 복수 개 측정하여 측정결과를 데이터베이스화(DB화)하여 저장하는 근적외선멀티스펙트럼측정및DB화단계(TA1); 및
DB화한 근적외선멀티스펙트럼측정 결과를 정규분포교정(SNV, Standard Normal Variate correction) 방법으로 전처리하는 근적외선멀티스펙트럼전처리단계(TA2); 및
플라스틱분류모델생성을 위한 플라스틱분류알고리즘선택단계(TA3); 및
상기 플라스틱분류알고리즘선택단계에서 선택된 알고리즘에 상기 근적외선멀티스펙트럼전처리단계에서 전처리한 데이터 중 플라스틱분류모델의 입력으로 사용할 2개 이상의 근적외선 파장대역을 선택입력하여 플라스틱분류모델을 생성하는 플라스틱분류모델생성단계(TA4); 및
상기 플라스틱분류모델생성단계에서 생성된 플라스틱분류모델을 상기 근적외선멀티스펙트럼측정 장치와 결합하여 분류가 필요한 플라스틱의 근적외선멀티스펙트럼을 측정하는 플라스틱분류용스펙트럼측정단계(TA5); 및
상기 플라스틱분류용스펙트럼측정단계에서 측정된 근적외선멀티스펙트럼을 상기 생성된 플라스틱분류모델의 입력으로 사용하여 플라스틱의 종류를 판별하는 플라스틱종류판별단계(TA6); 및
상기 플라스틱종류판별단계의 결과에 따라 상기 분류가 필요한 플라스틱을 분류 처리하는 플라스틱분류단계(TA7)를 포함하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다.
또한, 상기 근적외선멀티스펙트럼전처리단계에서 사용한 정규분포교정 방법은 근적외선멀티스펙트럼측정및DB화단계에서 측정된 근적외선 멀티스펙트럼을 크기순서대로 정렬한 후 가장 중앙에 위치하는 값이 정규분포의 중앙에 오도록 교정하는 방법을 사용하는 것을 특징으로 하는 플라스틱 종류별 분류방법. - 제11항에 있어서,
상기 플라스틱분류알고리즘선택단계에서는 주성분분석 또는 기계학습방법 중 인공신경망 중 어느 하나를 사용하는 것을 특징으로 하는 플라스틱 종류별 분류방법. - 제11항에 있어서,
상기 플라스틱분류모델의 입력으로 사용할 2개 이상의 근적외선 파장대역은 1133um, 1223um, 1357um, 1382um, 1420um, 1679um 및 1708um 중 어느 2개 이상의 파장대역을 사용하는 것을 특징으로 하는 플라스틱 종류별 분류방법. - 근적외선멀티스펙트럼측정 장치로 분류하고자하는 플라스틱 종류별, 두께별로 근적외선멀티스펙트럼을 복수 개 측정하여 측정결과를 데이터베이스화(DB화)하여 저장하는 근적외선멀티스펙트럼측정및DB화단계(TB1); 및
DB화한 근적외선멀티스펙트럼측정 결과를 정규분포교정(SNV, Standard Normal Variate correction) 방법으로 전처리하는 근적외선멀티스펙트럼전처리단계(TB2); 및
플라스틱분류모델생성을 위한 플라스틱분류알고리즘선택단계(TB3); 및
상기 플라스틱분류알고리즘선택단계에서 선택된 알고리즘에 상기 근적외선멀티스펙트럼전처리단계에서 전처리한 데이터 중 플라스틱분류모델의 입력으로 사용할 2개 이상의 근적외선 파장대역을 선택입력하여 플라스틱분류모델을 생성하는 플라스틱분류모델생성단계(TB4); 및
상기 플라스틱분류모델생성단계에서 생성된 플라스틱분류모델을 상기 근적외선 멀티 스펙트럼측정 장치와 결합하여 두께와 종류가 다른 여러종류의 분류가 필요한 플라스틱의 근적외선멀티스펙트럼을 측정하는 플라스틱분류용스펙트럼측정단계(TB5); 및
상기 플라스틱분류용스펙트럼측정단계에서 측정된 근적외선멀티스펙트럼을 상기 생성된 플라스틱분류모델의 입력으로 사용하여 플라스틱의 두께에 관계없이 플라스틱의 종류를 판별하는 플라스틱종류판별단계(TB6); 및
상기 플라스틱종류판별단계의 결과에 따라 상기 분류가 필요한 플라스틱을 분류 처리하는 플라스틱분류단계(TB7)를 포함하는 것을 특징으로 하는 플라스틱 종류별 분류방법. - 삭제
- 삭제
- 근적외선 멀티 스펙트럼측정 장치로 분류하고자하는 플라스틱 종류별로 근적외선멀티 스펙트럼을 복수 개 측정하여 측정결과를 데이터베이스화(DB화)하여 저장하는 근적외선멀티스펙트럼측정및DB화단계(TE1); 및
DB화한 근적외선멀티스펙트럼측정 결과를 정규분포교정(SNV, Standard Normal Variate correction) 방법으로 전처리하는 근적외선멀티스펙트럼전처리1단계(TE2); 및
상기 근적외선멀티스펙트럼전처리1단계에서 전처리한 각각의 근적외선 멀티스펙트럼의 최소값을 0, 최대값을 100으로 스케일링하는 근적외선멀티스펙트럼전처리2단계(TE3); 및
상기 근적외선멀티스펙트럼전처리2단계를 거친 근적외선 멀티스펙트럼측정 결과를 파장을 원주방향으로 하고, 중심값을0 중심에서의 거리를 근적외선 멀티스펙트럼의 크기 값으로 하는 0에서 100사이의 값을 가지는 방사형 이미지로 변환하는 근적외선멀티스펙트럼이미지화단계(TE4); 및
플라스틱분류모델생성을 위한 플라스틱분류알고리즘선택단계(TE5); 및
상기 플라스틱분류알고리즘선택단계에서 선택된 알고리즘에 상기 근적외선멀티스펙트럼이미지화단계에서 이미지로 변환한 데이터를 입력하여 플라스틱분류모델을 생성하는 플라스틱분류모델생성단계(TE6); 및
상기 플라스틱분류모델생성단계에서 생성된 플라스틱분류모델을 상기 근적외선 멀티 스펙트럼측정 장치와 결합하여 두께와 종류가 다른 여러종류의 분류가 필요한 플라스틱의 근적외선멀티 스펙트럼을 측정하는 플라스틱분류용스펙트럼측정단계(TE7); 및
상기 플라스틱분류용스펙트럼측정단계에서 측정된 근적외선 멀티스펙트럼의 최소값을 0, 최대값을 100으로 스케일링한 후 파장을 원주방향으로 하고, 중심값을0, 중심에서의 거리를 근적외선 멀티스펙트럼의 크기 값으로 하는 0에서 100사이의 값을 가지는 방사형 이미지로 변환하는 플라스틱분류용근적외선멀티스펙트럼이미지화단계(TE8); 및
상기 플라스틱분류용근적외선멀티스펙트럼이미지화단계에서 변환된 방사형 이미지를 상기 생성된 플라스틱분류모델의 입력으로 사용하여 플라스틱의 두께에 관계없이 플라스틱의 종류를 판별하는 플라스틱종류판별단계(TE9); 및
상기 플라스틱종류판별단계의 결과에 따라 상기 분류가 필요한 플라스틱을 분류 처리하는 플라스틱분류단계(TE10)를 포함하는 것을 특징으로 하는 플라스틱 종류별 분류방법. - 삭제
- 제17항에 있어서,
상기 플라스틱분류알고리즘선택단계에서는 상기 근적외선멀티스펙트럼이미지화단계에서 원형에 가까운 이미지로 변환된 데이터를 학습하고 분류하기위한 컨벌루셔널 뉴럴네트워크를 선택하여 사용하는 것을 특징으로 하는 플라스틱 종류별 분류방법을 제공한다. - 제17항에 있어서,
상기 플라스틱 종류별 분류방법은 상기 근적외선멀티스펙트럼전처리2단계와 플라스틱분류용근적외선멀티스펙트럼이미지화단계에 의하여 상기 플라스틱분류모델생성단계에서 사용하는 데이터에 두께가 다른 플라스틱 근적외선 멀티 스펙트럼이 없어도 두께가 다른 플라스틱을 동일한 종류의 플라스틱으로 분류할 수 있는 것을 특징으로 하는 플라스틱 종류별 분류방법.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220100274A KR102530886B1 (ko) | 2022-08-11 | 2022-08-11 | 플라스틱 성분별 분류장치 및 그를 이용한 분류방법 |
| KR1020230050426A KR102675374B1 (ko) | 2022-08-11 | 2023-04-18 | 플라스틱 성분별 분류장치 및 그를 이용한 분류방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220100274A KR102530886B1 (ko) | 2022-08-11 | 2022-08-11 | 플라스틱 성분별 분류장치 및 그를 이용한 분류방법 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230050426A Division KR102675374B1 (ko) | 2022-08-11 | 2023-04-18 | 플라스틱 성분별 분류장치 및 그를 이용한 분류방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102530886B1 true KR102530886B1 (ko) | 2023-05-10 |
Family
ID=86386022
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220100274A KR102530886B1 (ko) | 2022-08-11 | 2022-08-11 | 플라스틱 성분별 분류장치 및 그를 이용한 분류방법 |
| KR1020230050426A KR102675374B1 (ko) | 2022-08-11 | 2023-04-18 | 플라스틱 성분별 분류장치 및 그를 이용한 분류방법 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230050426A KR102675374B1 (ko) | 2022-08-11 | 2023-04-18 | 플라스틱 성분별 분류장치 및 그를 이용한 분류방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (2) | KR102530886B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116952923A (zh) * | 2023-07-27 | 2023-10-27 | 南京大学 | 一种基于机器学习的微塑料现场高精度监测方法及系统 |
| CN117862189A (zh) * | 2024-03-13 | 2024-04-12 | 北京大学 | 一种化工业固废再利用智能自动处置系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101556228B1 (ko) | 2014-06-03 | 2015-09-30 | 주식회사 세종메이저인터내쇼날 | 분광기를 이용한 플라스틱의 재질별 선별 분류장치 |
| KR20170029823A (ko) * | 2015-09-08 | 2017-03-16 | 영남대학교 산학협력단 | 초분광 영상의 스펙트럼 정규화 장치 및 방법 |
| KR20180027742A (ko) * | 2016-09-07 | 2018-03-15 | 영남대학교 산학협력단 | 대상체 분류 시스템 및 방법 |
| KR101850087B1 (ko) * | 2017-06-21 | 2018-05-08 | 수원대학교산학협력단 | 레이저 분광 기술을 이용하여 플라스틱을 재질에 따라 분류하는 방법 |
| KR101949321B1 (ko) | 2018-06-11 | 2019-05-02 | 톰라소팅 주식회사 | 광학선별기를 이용한 재활용 쓰레기를 대단위로 선별하는 방법과 그 방법을 이용한 폐수지를 종류별로 선별하는 장치 |
| KR20200021073A (ko) * | 2017-06-19 | 2020-02-27 | 임팩트비전, 인크. | 이물질 식별을 위한 초분광 이미지 프로세싱을 위한 시스템 및 방법 |
-
2022
- 2022-08-11 KR KR1020220100274A patent/KR102530886B1/ko active IP Right Grant
-
2023
- 2023-04-18 KR KR1020230050426A patent/KR102675374B1/ko active IP Right Grant
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101556228B1 (ko) | 2014-06-03 | 2015-09-30 | 주식회사 세종메이저인터내쇼날 | 분광기를 이용한 플라스틱의 재질별 선별 분류장치 |
| KR20170029823A (ko) * | 2015-09-08 | 2017-03-16 | 영남대학교 산학협력단 | 초분광 영상의 스펙트럼 정규화 장치 및 방법 |
| KR20180027742A (ko) * | 2016-09-07 | 2018-03-15 | 영남대학교 산학협력단 | 대상체 분류 시스템 및 방법 |
| KR20200021073A (ko) * | 2017-06-19 | 2020-02-27 | 임팩트비전, 인크. | 이물질 식별을 위한 초분광 이미지 프로세싱을 위한 시스템 및 방법 |
| KR101850087B1 (ko) * | 2017-06-21 | 2018-05-08 | 수원대학교산학협력단 | 레이저 분광 기술을 이용하여 플라스틱을 재질에 따라 분류하는 방법 |
| KR101949321B1 (ko) | 2018-06-11 | 2019-05-02 | 톰라소팅 주식회사 | 광학선별기를 이용한 재활용 쓰레기를 대단위로 선별하는 방법과 그 방법을 이용한 폐수지를 종류별로 선별하는 장치 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116952923A (zh) * | 2023-07-27 | 2023-10-27 | 南京大学 | 一种基于机器学习的微塑料现场高精度监测方法及系统 |
| CN116952923B (zh) * | 2023-07-27 | 2024-01-23 | 南京大学 | 一种基于机器学习的微塑料现场高精度监测方法及系统 |
| CN117862189A (zh) * | 2024-03-13 | 2024-04-12 | 北京大学 | 一种化工业固废再利用智能自动处置系统 |
| CN117862189B (zh) * | 2024-03-13 | 2024-05-28 | 北京大学 | 一种化工业固废再利用智能自动处置系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20240022395A (ko) | 2024-02-20 |
| KR102675374B1 (ko) | 2024-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102530886B1 (ko) | 플라스틱 성분별 분류장치 및 그를 이용한 분류방법 | |
| Serranti et al. | An innovative recycling process to obtain pure polyethylene and polypropylene from household waste | |
| US5134291A (en) | Method for sorting used plastic containers and the like | |
| Serranti et al. | Hyperspectral imaging applied to demolition waste recycling: innovative approach for product quality control | |
| JPS58132632A (ja) | カラ−モニタ−用電気光学システム | |
| JP7028075B2 (ja) | 画像処理装置、画像処理方法、画像センサ | |
| CN107655569A (zh) | 高光谱相机、高光谱成像装置及控制方法 | |
| Serranti et al. | Hyperspectral imaging for VIS-SWIR classification of post-consumer plastic packaging products by polymer and color | |
| Dong et al. | DMD-based hyperspectral imaging system with tunable spatial and spectral resolution | |
| Barnabé et al. | Design and calibration of a two-camera (visible to near-infrared and short-wave infrared) hyperspectral acquisition system for the characterization of metallic alloys from the recycling industry | |
| Jin et al. | Spectral characterization and discrimination of synthetic fibers with near-infrared hyperspectral imaging system | |
| Bonifazi et al. | Detecting contaminants in post-consumer plastic packaging waste by a NIR hyperspectral imaging-based cascade detection approach | |
| Maliks et al. | Multispectral data classification with deep CNN for plastic bottle sorting | |
| Köhler et al. | Hyperspectral imager for the mid-infrared spectral range using a single-mirror interferometer and a windowing method | |
| Broek et al. | Application of a spectroscopic infrared focal plane array sensor for on-line identification of plastic waste | |
| Wienke et al. | Identification of plastics among nonplastics in mixed waste by remote sensing near-infrared imaging spectroscopy. 2. Multivariate image rank analysis for rapid classification | |
| Tao et al. | A novel model for sex discrimination of silkworm pupae from different species | |
| Bonifazi et al. | Short wave infrared hyperspectral imaging for recovered post-consumer single and mixed polymers characterization | |
| Bonifazi et al. | Quality control by HyperSpectral Imaging (HSI) in solid waste recycling: logics, algorithms and procedures | |
| CN108582580A (zh) | 基于近红外技术的塑料在线分拣装置及其分拣方法 | |
| Takahashi et al. | Multimodal image and spectral feature learning for efficient analysis of water-suspended particles | |
| Bonifazi et al. | Hyperspectral imaging coupled with data fusion for plastic packaging waste recycling | |
| Blanch-Perez-del-Notario et al. | Compact high-speed snapshot hyperspectral imager in the SWIR range (1.1-1.65 nm) and its potential in sorting/recycling industry | |
| Kumar et al. | Design of an embedded based control system for efficient sorting of waste plastics using Near Infrared Spectroscopy | |
| KR101674915B1 (ko) | Atr ft-ir 분광법 및 rbfnn 패턴 분류기를 이용하여 플라스틱을 재질에 따라 분류하는 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| A107 | Divisional application of patent | ||
| GRNT | Written decision to grant |